KR20090087895A - 생체인식정보의 추출과 대조를 위한 방법 및 장치 - Google Patents

생체인식정보의 추출과 대조를 위한 방법 및 장치 Download PDF

Info

Publication number
KR20090087895A
KR20090087895A KR1020097011232A KR20097011232A KR20090087895A KR 20090087895 A KR20090087895 A KR 20090087895A KR 1020097011232 A KR1020097011232 A KR 1020097011232A KR 20097011232 A KR20097011232 A KR 20097011232A KR 20090087895 A KR20090087895 A KR 20090087895A
Authority
KR
South Korea
Prior art keywords
distance
filter
key
value
image
Prior art date
Application number
KR1020097011232A
Other languages
English (en)
Inventor
피터 엠. 미넨
Original Assignee
스노우플레이크 테크놀로지스 코포레이션
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 스노우플레이크 테크놀로지스 코포레이션 filed Critical 스노우플레이크 테크놀로지스 코포레이션
Publication of KR20090087895A publication Critical patent/KR20090087895A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Vascular Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 생체인식정보를 이용한 신분확인에 관한 것으로, 구체적으로는 피하혈관 적외선 영상에서 생체인식정보를 추출하고 비교해 신분을 확인하는 방법과 장치에 관한 것이다. 본 발명에서는 피하지방 패턴을 갖는 영상에서 유용한 정보를 얻는데 일련의 필터를 사용한다. 이 영상의 ROI를 방향과 공간주파수 양측면에서 선택한 다수의 필터로 처리한 다음, 여과된 영상 각각의 다수의 영역으로부터 통계값을 취하고, 이어서 이들 통계값들을 일정 순서로 배열해 다른 코드와는 신속하고 쉽게 비교되는 고유식별코드로 사용한다. 키 사이즈가 일정하고 통계값 배열이 일정하기 때문에, 유클리드 거리나 피어슨 상관거리와 같은 간단한 거리를 사용해 키의 유사성을 판단한다.

Description

생체인식정보의 추출과 대조를 위한 방법 및 장치{METHOD AND APPARATUS FOR EXTRACTION AND MATCHING OF BIOMETRIC DETAIL}
본 발명은 생체인식정보를 이용한 신분확인에 관한 것으로, 구체적으로는 피하혈관 적외선 영상에서 생체인식정보를 추출하고 비교해 신분을 확인하는 방법과 장치에 관한 것이다.
신체적인 특징이나 행동 특징을 기반으로 확인하거나 식별하는데 사용되는 생체인식정보는 고도의 보안성을 갖는 것으로 그 사용이 점점 증가하고 있으며, 1:1 대조나 1:n 대조에 많이 사용되고 있다. 본 명세서에서 사용된 "식별", "확인"이란 말은 모두 출입을 허가하거나 인증하기 위해 사용되는 개념이다. 생체인식정보를 이용하는 기존의 방법으로는 홍채, 손바닥, 지문을 이용하는 방법이 있다.
1994년 3월 1일자 Daugman의 미국특허 5,291,560에서는 해밍거리(Hamming Distance)를 사용한 홍채영상내 배향조직의 분석을 이용한 생체인식정보를 소개하고 있으며, 이때 사용된 길이가 고정된 키를 사용한다.
2005년 12월 22일 공개된 Zhang의 미국특허출원 공개번호 2005/0281438은 손금 영상을 신경정신계 게이버필터(Gabor Filter)와 각도거리로 분석하는 생체인식정보를 소개하고 있다.
Jain, A.K.; Prabhakar, S.; Hong, L.; Pankanti, S., "Filterbank-based Fingerprint Matching", IEEE Trans. on Image Processing, pp. 846-859 (Vol9, No.5, May 2000)은 게이버필터와 유클리드 거리로 지문영상을 분석한 생체인식정보를 소개하고 있다.
Lee, Chih-Jen과 Wang, Sheng-De의 "A Gabor Filter-Based Approach to Fingerprint Recognition", 1999 IEEE Workshop on Signal Processing Systems, pp. 371-378 (Oct. 1999)은 게이버필터를 이용해 지문을 검색하고 인식하는 방법을 소개한다.
Jain, A.K.; Prabhakar, S.; Hong, L.; Pankanti, S.의 "FingerCode: A Filterbank for Fingerprint Representation and Matching", Proc. IEEE Conf. on CVPR, pp. 187-193 (Vol.2, June 23-25, 1999)는 유클리드 거리를 이용해 지문정보를 캡처하고 대조하는데 게이버필터를 이용한다.
Prabhakar, S.의 "Fingerprint Classification and Matching Using a Filterbank", Ph.D. Dissertation, Michigan State University (2001)는 각종 알고리즘을 이용해 지문을 추출하고 대조하는 방법을 소개한다.
Jain, A.K; Prabhakar, S.; Hong, L.의 "A Multichannel Approach to Fingerprint Classification", IEEE Transactions on PAMI, pp. 348-359 (Vol. 4, April 1999)는 2단계 분류법으로 게이버필터를 이용해 지문의 영상을 여과하는 방법을 소개한다.
Horton, M.; Meenen, P.; Adhami, R.; Cox, P.의 "The Costs and Benefits of Using Complex 2-D Gabor Filters in a Filter-Based Fingerprint Matching System", Proceedings of the Thirty-fourth Southeastern Symposium on System Theory, pp. 171-175 (March 18-19, 2002)는 2차원 게이버필터를 지문 영상에 적용해 대조를 하는 방법을 소개한다.
Zeman의 2006년 6월 8일 공개된 미국특허공개 2006/0122515; Zeman의 2004년 6월 10일 공개된 미국특허공개 2004/0111030; Zeman의 2003년 4월 29일자 미국특허 6,556,858 모두 본 발명에서 참고한 것이고, 적외선을 사용해 피하혈관을 촬영하고, 이 영상을 피부에 투사하는 방법을 소개하고 있지만, 혈관 영상을 이용해 신분을 확인하고 인증하는 방법은 소개하지 않는다.
Cross, J.M.; Smith, C. L.의 "Thermographic Imaging of the Subcutaneous Vascular Network of the Back of the Hand for Biometric Identification", Proc. IEEE 1995 Int'l Carnahan Conference on Security Technology, pp. 20-35 (Oct. 18-20, 1995)는 손등의 적외선 피하혈관 영상을 만들고 이를 나누어 혈관패턴을 나타내는 중간축을 구하는 방법을 소개하지만, 콘트라스트 개선, 모발과 잡음의 제거, 배경에서 손을 분리하는 것에 대한 언급은 없다.
Im, S.; Park, H.; Kim, S.; Chung, C; and Choi, H.의 "Improved Vein Pattern Extracting Algorithm and Its Implementation", Int'l Conf. on Consumer Electronics - Digest of Technical Papers, pp. 2-3 (June 13-15, 2000)은 가우시안 필터를 사용해 혈관영상에서 관심영역(ROI; region of interest)를 추출하고, 개조된 필터를 사용해 털이나 곡면이나 피하지방으로 인한 잡음을 영상에서 제거하 는 방법을 소개한다. Lin, C; Fan, K.의 "Biometric Verification Using Thermal Images of Palm-Dorsa Vein Patterns", 14 IEEE Trans, on Circuits and Systems for Video Tech., pp. 199-213 (Feb 2004)는 손바닥 혈관패턴의 열영상을 구하고, ROI를 추출하며, 필터를 사용해 강도, 구배, 방향에 관한 정보를 추출하는 방법을 소개한다.
Tanaka, T.; Kubo, N.의 "Biometric Authentication by Hand Vein Patterns", SICE Annual Conf. in Sapporo, pp. 249-253 (Aug. 4-6, 2004)는 근적외선 손혈관 영상을 구해 그 콘트라스트를 개선하고, 위상 상관계수와 온도만을 비교하는 빙법에 대해 소개한다.
Zhang, Z.; Wu, D.Y.; Ma, S.; Ma, J.의 "Multiscale Feature Extraction of Finger- Vein Patterns Based on Wavelet and Local Interconnection Structure Neural Network", Int'l Conf. on Neural Networks and Brain, pp. 1081-1084 (Oct. 2005)는 손가락 혈관의 근적외선 영상을 구하고, 웨이블릿 분석을 이용해 영상에 대한 멀티스케일 자가적응 개선변환을 하는 방법을 소개한다. 인식을 하도록 신경망을 반복적으로 훈련한다.
MacGregor, P; Welford, R.의 "Veincheck: Imaging for Security and Personnel Identification", 6 Advanced Imaging, pp. 52-56 (1991)은 손등 피하혈관 패턴의 적외선 영상을 이용하는 방법을 소개한다.
Choi의 2001년 10월 9일자 미국특허 6,301,375에 소개된 것과 같은 현재의 혈관계 생체인식 시스템은 혈관이 교차하는 포인트와 같은 정보를 이용하는데, 이 런 기술이 Clayden의 1998년 7월 28일자 미국특허 5,787,185에 소개되었는데, 이 특허에서는 방향에 가중치를 둔 혈관을 나타내는 벡터, 즉 당업계에 알려진 "포인트-기반" 기술을 이용한다.
포인트-기반 혈관 인식시스템은 일련의 선택된 임계점들을 기반으로 혈관 구조를 생체인식하는 시스템으로, 예를 들어 모세혈관이나 정맥에서 최대 굴곡점을 갖는 곳을 근거로 인식하는 것이다. 이런 포인트들을 찾는 일반적인 방법은 먼저 혈관 구조를 나머지 영상에서 분리하고, 분리된 혈관구조를 2차 영상으로 축소 다음 일련의 단일 화소라인으로 좁히는 것이다. 이렇게 좁혀진 혈관구조를 통해 혈관의 교차점들을 쉽게 확인할 수 있다. 라인의 굴곡이나 방향과 같은 다른 특징도 쉽게 결정된다. 이런 임계점과 임계점을 설명하는 다른 측정값(예; 배향각이나 곡률값)과 함께 벡터로 정렬해 저장한다. 이 시스템에서는 몇개 포인트를 놓치거나 동일한 혈관구조의 여러 사진들을 처리할 때마다 새로운 포인트들이 추가되는 경우가 흔하기 때문에, 형성되는 벡터의 길이가 가변적이어서, 신속한 데이터베이스 검색이 어렵다.
포인트기반 대조를 할 때, 정렬과정 동안 먼저 입력 포인트집합을 기준 포인트집합과 비교하는데, 이때 보통 어파인변환(affine transform)과 같은 방법을 이용한다. 포인트를 정렬한 뒤, 여러가지 키의 관점에서 포인트 사이의 근사값들에 대한 검색을 한다. 2개의 키벡터 사이의 대응 포인트들의 최대 수를 결정하고, 점수를 계산한다. 이 점수를 임계값과 비교해 일치가 되는지 판단한다.
이런 포인트기반 기법은 유용하기는 해도 많은 문제를 내포한다. 센서의 잡 음과 기타 부정적인 인자로 인해, 일 개인의 신분을 확인할 때마다 동일한 포인트 집합을 추출한다고 보장할 수 없다. 따라서, 이런 종래의 방식은 가변적이고 포인트 위치를 놓치거나 추가할 수 있어, 항상 일정하게 배열되는 길이고정 키를 만들 수 없다. 그 결과, 대조과정이 아주 복잡해지고, 종래 기술의 방식을 이용해 대형 데이터베이스를 신속히 검색하는 것도 아주 어렵다.
따라서, 사이즈가 고정되고 일정한 배열을 갖는 키를 형성해 키의 비교를 신속하고 효과적으로 실해할 수 있도록 혈관영상에서 생체인식정보를 추출하는 방법과 장치를 제공한다면 좋을 것이다. 또, 키의 부분집합(서브키; sub-key)을 이용해 가능한 대조 후보들을 식별한 다음 이런 후보들에 대해 전체 키 비교를 하여, 키를 비교할 때의 계산 난이도를 줄이고, 대조속도를 높일 수 있으면 더 좋을 것이다.
본 발명에서는 피하지방 패턴을 갖는 영상에서 유용한 정보를 얻는데 일련의 필터를 사용한다. 이 영상의 ROI를 방향과 공간주파수 양측면에서 선택한 다수의 필터로 처리한 다음, 여과된 영상 각각의 다수의 영역으로부터 통계값을 취하고, 이어서 이들 통계값들을 일정 순서로 배열해 다른 코드와는 신속하고 쉽게 비교되는 고유식별코드로 사용한다. 키 사이즈가 일정하고 통계값 배열이 일정하기 때문에, 유클리드 거리나 피어슨 상관거리와 같은 간단한 거리를 사용해 키의 유사성을 판단한다.
본 발명은 피하혈관의 영상에서 정보를 추출한다. 추출된 정보를 사용해 길이가 고정된 통계값 키를 형성하고, 이런 키를 일정 순서로 배열한다. 본 발명에서는 길이고정 생체인식 키로 이루어진 데이터베이스의 신속한 대조와 검색이 가능하다. 본 발명은 피하혈관패턴들을 일대일 비교나 일대다 비교에 사용할 수 있다.
본 발명은 많은 장점을 갖는다. 본 발명의 방법에서는, 피하혈관 영상에서 추출한 생체인식정보를 근거로 길이고정 생체인식 키를 생성한다. 길이가 고정되고 일정 순서를 갖는 이런 키를 이용하면 신속한 1:1 대조/인증을 할 수 있고 1:n(일대다) 대조/식별을 극히 간단히 할 수 있다.
본 발명의 다른 장점은, 혈관 위치는 물론 혈관의 사이즈와 방향에 관한 정보를 동시에 캡처할 수 있다는데 있다. 이는 주로 영상에 사용된 필터의 사이즈, 공간주파수 및 방향을 조율할 수 있기 때문이다. 어떤 생체인식 장치에서도, 캡처되는 정보가 많을 수록 식별과 인증을 위한 대조를 더 정확하게 할 수 있다.
1:n 대조의 경우, 본 발명은 많은 장점을 제공한다. 첫째, 키의 사이즈와 배열이 일정하여, 대조과정이 더 간단하고, 이때문에 더 신속히 대조를 할 수 있다. 이때문에 전체 데이터베이스에 대한 무차별 비교가 종래의 기술에 비해 신속히 이루어질 수 있다. 본 발명에서는 또한 전체 키가 아닌 키 부분집합을 대조함으로써 검색할 데이터베이스 크기를 신속히 줄이므로 검색방식이 더 세련되었다고 할 수 있다. 예를 들어, 검색필드를 더 작은 부분집합으로 신속히 좁히기 위해, 여과된 영상의 부분집합에서 생성된 더 작은 키를 이용해 비교를 한다. 이렇게 되면 전체 데이터베이스의 계산보다 계산부하가 더 줄어든다. 이어서 전체 키를 나머지 기록과 비교할 수 있다. 또, 각종 서브키의 특징을 기반으로 키 데이터베이스를 인덱스(index)하여, 문제의 키와는 상당히 다르다고 알려진 키값의 비교는 생략할 수 있다.
본 발명의 목적은 사람의 피하혈관 영상에서 생체인식정보를 추출하고 대조하여 사람의 신분을 확인하는 장치와 방법을 제공하는데 있다. 본 발명의 또다른 목적은 신분확인을 신속하고 효율적으로 하는 것이다.
도 1은 손의 혈관을 촬영하는 본 발명의 장치의 일례의 개략도;
도 2는 영상의 ROI를 보여주는 도면;
도 3은 본 발명의 방법을 구현하기 위한 순서도;
도 4는 도 3의 영상처리과정의 순서도;
도 5는 도 3의 콘트라스트 개선 단계의 순서도;
도 6은 1차원 t=-32~+32이고 σ=8일 경우의 멕시칸 햇 웨이블릿(Mexican Hat Wavelet) 그래프;
도 7은 도 6의 웨이블릿으로 구성된 2차원 (배향) 필터;
도 8은 필터링 이전의 전처리 영상;
도 9는 우대칭 게이버필터로 필터링한 뒤의 도 8의 영상;
도 10은 2차원 오리엔티드 멕시칸 햇 웨이블릿 필터로 필터링 한 뒤의 도 8의 영상;
도 11은 본 발명의 방법을 이용해 영상을 키로 처리하는 방법을 보여주는 영상들;
도 12는 키 대조/확인 단계의 순서도;
도 13A는 영상이고, 도 13B는 본 발명의 방법을 이용해 도 13A의 영상에서 생긴 키;
도 14A는 도 13A와 동일인의 다른 영상이고, 도 14B는 도 14A의 영상에서 생긴 키를 보여주는데, 도 13A와 14A의 비슷한 영상들이 도 13B와 14B의 비슷한 키를 어떻게 생성하는지 보여줌;
도 15A~15B는 도 13과 동일하되 도 16B의 키를 생성하는 도 16A와 비교하기 위한 것으로, 비슷하지 않은 혈관 패턴들이 어떻게 비슷하지 않은 키를 생성하는지 보여줌;
도 17A, 18A, 19A, 20A는 비슷한 영상이 비슷한 키를 생성하는 방법을 보여주기 위해 각각 키 17B, 18B, 19B, 20B를 갖는 각각의 영상으로서, 도 17A와 18A의 영상은 어느정도 비슷하지만, 도 19A와 20A의 영상은 서로는 물론 도 17A, 18A의 영상과도 아주 다름;
도 21~24는 각종 거리를 이용한 도 17B, 18B, 19B, 20B의 키에 대한 대조점수로서, 도 24의 피어슨 상관계수를 제외한 모든 대조 점수들은 키의 길이로 정상화(분할)됨;
도 25는 도 17B와 18B의 키를 이용한 2개의 키 부분집합(서브키)의 비교상태도;
도 26은 데이터베이스에 저장된 키와 1개의 키 부분집합의 비교상태도;
도 27은 추후의 거리비교에 적합한 키를 결정하기 위해 부분집합 키값 카운트에 의해 인덱스된 데이터베이스에 저장된 키에 대해 하나의 키 부분집합을 신속 평가하는 과정을 보여주는 도면;
도 28은 추후의 거리비교에 적합한 키를 결정하기 위해 부분집합 키값 카운트에 의해 인덱스된 데이터베이스에 저장된 키에 대한 하나의 키 부분집합의 신속 평가를 위해 도 26과 27의 기술을 조합한 것을 보여주는 도면.
종래에는 인간의 피부와 다른 생체조직은 파장 700~900 nm 정도의 적외선을 반사하지만 혈액은 이 범위의 적외선을 흡수한다고 알려졌다. 따라서, 적외선 조명에서 찍은 생체조직의 비디오영상에서 혈관은 흑색선으로 나타나고 주변 조직은 더 밝은 배경으로 나타난다. 그러나, 피하지방의 반사특성 때문에, 피하지방 덩어리 밑에 있는 혈관은 직사광, 즉 한방향으로 도달하는 빛으로는 보기가 어렵거나 불가능하다.
피하지방량이 상당한 생체조직을 고확산 적외선 조명 밑에서 근적외선 범위로 촬영하면, 직사 적외선 조명에서 촬영할 때보다 혈관과 부근 조직 사이의 콘트라스트가 훨씬 더 높다. 피하지방에서 반사된 확산 적외선의 대부분은 시야방향에서 멀어지는 것 같다. 따라서, 고확선 적외선을 적외선에 비추면 혈관과 부근 조직 사이에 원하는 비주얼 콘트라스트가 유지된다. 하지만, 조명된 조직의 영상을 캡처하기 전에 광대역 스펙트럼 광으로 조직을 조명한 뒤 적외선 범위 밖의 빛을 여과해도 동일한 결과를 얻을 수 있다.
요컨대, 충분한 설명에 앞서, 본 발명의 바람직한 실시예의 방법은 도 3에 도시된 단계들을 거치고, 본 발명의 장치도 도 3의 순서도대로 동작한다. 화소 400x400의 ROI(30; region of interest)를 확인하고 잘라낸 영상을 입력하고(24 단계); ROI를 모자이크 패턴(20화소x20화소의 정사각형이 좋지만, 삼각형이나 직사각형이나 육각형도 가능)으로 분할하여 여러 영역을 형성하며; 대칭 게이버필터(Symmetric Gabor Filter), 복합 게이버필터(Complex Gabor Filter), 로그 게이버필터(Log Gabor Filter), 오리엔티드 가우시안 필터(Oriented Gaussian Functions), 개조 웨이블릿(Adapted Wavelets) 등의 여러가지 호환형 필터에 속하는 필터(40)를 거쳐; 모자이크 패턴의 각 영역에 대해 통계학적 측정을 한다. 이때 영역의 화소강도의 통계학적 변동값을 측정하는 것이 바람직하지만, 표준편차, 평균, 절대평균편차, 최대값, 최소값, 최대절대값, 중간값 등의 다른 통계학적 방법을 이용할 수도 있다. 또, 방향은 같고 주파수 값은 다른 여러개의 필터를 사용해 크고 작은 혈관과 같은 여러 사이즈의 세부사항을 구할 수도 있다. 또, 이런 통계학적 측정치들을 하나 이상 사용해 키 사이즈(key size)를 증가시켜 정확도를 개선할 수도 있다. 예를 들어, 영역마다 변동값과 평균값을 취해 하나의 키값으로 배열할 수 있다. 끝으로, 등록키와 저장된 검증키 사이의 거리를 비교하는데 비교계량법을 이용한다.
도 1~4에 의하면, 사람을 식별하는 장치(20)는 사람의 피하혈관 적외선 영상(24)을 캡처하기 위한 공지의 적외선 카메라(22)와 같은 수단을 구비한다. 여기서 말하는 혈관은 모세혈관과 정맥과 동맥을 포괄하는 의미이다. 손(26)과 같은 신체 일부분을 적외선으로 비춘다음 카메라(22)나 다른 공지의 감지기로 영상을 캡처한다. 한편, 실내광과 같은 광역 빛을 비추고 적당한 적외선필터를 카메라(22) 전 방에 배치해 카메라(22)에 적외선 영상만 보이도록 할 수도 있다. 카메라(22)로는 CCD(charge-coupled device), CCD/CMOS 카메라를 사용해 영상을 캡처하고 이 영상을 컴퓨터(28)에 보낸다.
여기서는 설명의 편의상 손 뒷면의 혈관 패턴을 예로 들어 설명하지만, 피하혈관을 볼 수 있는 신체 다른 부위에도 본 발명을 적용할 수 있음은 명백하다.
영상(24)을 캡처한 뒤, 이 영상을 35 단계에서 전처리하는데, 도 3의 전처리단계가 도 4에 자세히 도시되었다. 전처리 단계(35)에서, ROI(30)의 영상(24)을 확인한 다음 처리한다. 이 단계는 손(26)과 같은 신체부위를 배경 영상에서 분리하여 이루어진다. 이어서, 손가락 끝(32)이나 손가락 사이의 갈퀴의 한 지점(34)과 같은 랜드마크를 찾는다. 손가락 끝(32)은 손가락 사이 지점(34)보다 랜드마크로 부적절한데, 이는 손가락을 벌리면 ROI(30)에 대해 손가락 끝(32)의 위치가 더 크게 변하기 때문이다.
이들 랜드마크의 위치를 근거로, 영상을 미리 정의된 위치와 방향으로 영상을 조절하되, 바람직하게는 크기와 수평수직 거리와 회전을 조절하여, ROI(30)를 포함한 영상을 제공한다. 일단 영상(24)의 크기와 방향과 위치를 조절했으면, 고정된 ROI(30)를 정의하고 영상에서 추출한 다음, 영상(24)의 나머지 부분은 없애버린다.
구체적으로는 다음과 같이 ROI(30)를 확인한다: 첫째, 카메라(22)에서 원본영상(raw image)을 받는다. 촬영된 손(26) 밑에 어두운 배경을 두어, 배경화소가 손의 화소보다 더 어둡게 한다. 영상(24)의 히스토그램을 취하고 분석하여 2개의 피크를 찾아내는데, 한쪽 피크는 제로에 가깝고(배경) 한쪽 피크는 강도가 더 높으며(손), 2개의 피크를 결정하기에 적절한 임계값을 판단한다. 피크가 2개 이상이면, 2개 피크 히스토그램을 얻을 때까지 빈카운트(bin count)가 5까지 감소된다. 2개의 피크를 아직 찾을 수 없으면, 최소 화소강도보다 큰 10의 임계값을 디폴트값으로 사용하는데, 이 값은 배경 강도보다 약간 높다. 2개의 피크를 발견했으면, 이들 2개 값 사이의 최소값으로 임계값을 정하고, 임계값보다 높은 강도를 1로 정하고 임계값과 같거나 낮은 강도를 0으로 정한 화소들로 2진마스크를 생성한다.
이어서 국부적으로 최대/최저 높이드을 표시하면서 2진 손 윤곽선을 추적해 손가락 사이 지점(34)을 찾는데, 여기서 "하이" 높이는 영상의 꼭대기에 가까운 것으로 정의하고, 영상캡처수단인 카메라(22)의 방향을 사용해 손가락끝(32)을 영상의 "꼭대기"를 향하도록 한다. 2개의 최대 높이 사이의 (영상의 "바닥"에 가까운) 최저 높이는 따라서 손가락 사이의 지점(34)을 나타낸다. 일단 손가락 사이 지점(34)을 찾으면, 어파인변환(affine transform)을 이용해 영상(24)을 돌리면서 크기를 조절해 일단의 소정 표준 지점들과 일치시키고, 촬영된 손과 표준 지점들 사이의 최소제곱 매핑(mapping)을 이용해 변환계수를 결정한다.
엄지손가락에서 가장 멀리 있는 손가락 사이 지점(34)에 고정된 화소 400x400의 영역을 ROI(30)라 하면, 엄지의 손가락 사이 지점은 y 방향으로 최저 높이를 갖는다. 장래의 여과단계를 대비해 여분의 영상 경계를 확보하기 위해, ROI 외곽선을 따라 100 화소 대역을 더 확보해둔다. ROI 외곽선 경계 화소수가 100보다 적으면, ROI 내부의 기존의 화소들이 반사되어 모자른 화소를 채워준다.
따라서, 장치(20)는 ROI를 식별하는 수단(36)을 구비한다.
가능하면 기존의 잡음제거수단(38)을 이용해 털과 같은 영상내의 잡음을 ROI(30)에서 제거해 잡음이 없는 영상(24')을 만드는 것이 바람직하다. 이렇게 되면 비교를 위해 영상이 좀더 안정될 뿐만 아니라 신체 일부분의 털을 밀어서 확인을 피하려는 시도도 방지할 수 있다. 잡음을 제거하는 방법은 많지만 간단한 기존의 10x10 미디안필터(median filter)를 사용하는 것이 좋다. 이 방법으로는 혈관의 정보를 일부 잃기는 해도, (털 제거가 가장 필요한) 손 뒷면의 혈관이라면 사이즈 10x10의 필터에도 충분히 살아날만큼 크다.
잡음을 제거하는 전처리 과정의 일부로서, 도 5에 자세히 도시한 것과 같이 영상(24')에 ACE(adaptive contrast enhancement; 39) 처리를 하는 것이 좋다. 먼저 영상을 흐림필터(41)로 처리해 흐린영상을 만든 다음, 이 흐린영상을 원본영상에서 추출해 언샵(unsharp) 영상(24a)을 만드는 알고리즘을 이용한다. 언샵 영상(24a)의 절대값을 취한 다음, 절대값 처리한 영상을 흐리게 처리하며(46), 이런 흐린 절대값 영상으로 원본 언샵영상을 나누어(48), 콘트라스트가 개선된 영상(24")을 만든다. 영상을 평활처리하여 영상의 잡음을 없앨 수도 있다. 도 11의 "전처리 영상"은 도 11의 상단의 초기영상의 일례로서, 털과 같은 잡음을 제거하지 않고 콘트라스트 개선처리만 한 영상이다. 영상 전처리과정은 바람직하기는 해도 본 발명의 필수사항은 아니다.
그러나, 영상내 혈관의 위치변화에 본 발명의 방식이 아주 민감하다는 것이 밝혀졌다. 다시 말해, 본 발명에서 비교된 영상들은 최적의 매칭(matching)을 위해 서는 아주 가까이 정렬되어야만 한다. 전처리 단계에서의 정렬은 ROI(30) 위치를 일정하게 하는데 필수적이다. 얼굴이나 손과 같이 랜드마크 특징을 갖는 신체부위에서는 ROI(30)의 적절한 정렬과 위치가 똑바르도록 결정되었고, 이런 매칭법은 당 분야에 잘 알려져 있다.
전처리 단계인 ACE(39)가 끝나면, ROI(30) 영상을 먼저 여러개의 필터(40)로 처리할 준비를 한다. 이들 필터(40)를 직렬로 배치하면 여과시간이 많이 소요되고, 병렬로 배치하면 동시처리조건이 더 많아진다. 아래와 같은 형태의 우대칭 게이버필터(Even symmetric Gabor Filter)를 사용하는 것이 좋다:
Figure 112009032814719-PCT00001
여기서, g(x,y)는 게이버필터(Gabor filter)의 공간좌표, θ는 필터의 배향각, f는 원하는 공간주파수, δx와 δy는 각각 x, y 방향의 가우시안 경계(Gaussian envelope)의 표준편차이다.
바람직한 실시예에서, 화소 65x65의 게이버필터 8개를 사용하되, 필터변수는 아래와 같다:
Figure 112009032814719-PCT00002
이들 8개 필터를 독립적으로 선처리 영상(24")에 적용해 8개의 독립적인 필터 출력(50)을 생성한다(도 11 참조).
필터(40)의 일부나 전부를 우대칭 게이버필터(Even Symmetric Gabor filter) 이외의 다른 필터, 예컨대 Complex Gabor Filter, Log Gabor Filter, Oriented Gaussian Filter 등으로 교체할 수도 있으며, 뒤에 자세히 설명하겠지만 wavelet filter로 교체하기도 한다. 필터(40) 전체가 같은 종류인 것이 좋지만, 배향이나 주파수가 다를 수 있고, 주어진 각도에서 영상특징을 개선하는 다른 필터로 교체할 수도 있다. 이제 우대칭 게이버필터(Even Symmetric Gabor Filter) 이외의 다른 여러 필터의 공지의 방정식은 다음과 같다.
Complex Gober Filter :
Figure 112009032814719-PCT00003
여기서, g(x,y)는 게이버필터(Gabor filter)의 공간좌표, θ는 필터의 배향각(orientation angle), f는 원하는 공간주파수(각도), δx와 δy는 각각 x, y 방향의 가우시안 경계(Gaussian envelope)의 표준편차이다.
Log-Gabor filter는 대개 주파수 도메인에서 정의된다. 공간필터링을 하면, 역 FFT를 거쳐 특수 필터가 결정된다. 2-D Log-Gabor 필터의 주파수-도메인은:
Figure 112009032814719-PCT00004
여기서, LG(u,v)는 Log-Gabor 필터의 주파수 도메인, ω는 원하는 각주파수, r(u,v)는 필터의 중심에서부터 필터내 주어진 점의 반경, θ(u,v)는 필터의 원하는 배향각(orientation angle), σ1은 필터의 공간주파수 대역폭, σ2는 필터의 배향 대역폭(orientation bandwidth)이다.
Oriented Gaussian Filter의 형태는
Figure 112009032814719-PCT00005
여기서, og(u,v)는 필터의 공간좌표, θ는 필터의 원하는 배향각, σx은 x방향의 필터 대역폭, σy는 y방향의 필터 대역폭이다.
게이버필터는 방향적인 선택적향상에 있어서 아주 효과적이기 때문에 본 발명을 구현하기 위한 키 생성(key generation) 필터이다. 대부분의 2차원 웨이블릿(wavelet)은 배향의 선택에 거의 영향을 주지 않으므로 방향향상 필터로는 극히 유용하지 않다. 그러나, 뒤에 설명하겠지만, 본 발명의 방향키 생성필터로 사용할 수 있는 1차원 웨이블릿도 여러개 있다. 이런 웨이블릿의 실체와 본 발명에 사용할 수 있도록 하는 전략에 대해 설명한다. 여기서 사용하는 "적응 웨이블릿(adapted wavelet)"이란 말은 본 발명에 따라 적응되는 1차원 웨이블릿으로 이해하면 되고, 이에 대해 자세히 설명한다.
본 발명의 키생성필터로 사용하기 위해, 웨이블릿 필터는 특정 각도로 배향 되어야 하고 또한 사이즈가 가변적인 물체를 감지할 수 있도록 확장축소가 가능해야 한다. 본 발명에 사용할 수 있도록 웨이블릿을 각도선택형으로 하는 것에 대해 설명한다.
첫째, 원하는 특성을 갖는 1차원 웨이블릿을 선택하는데, 예를 들어 Mexican Hat Wavelet의 식은:
Figure 112009032814719-PCT00006
여기서 t는 시간, σ는 표준편차이다. 1차원 웨이블릿의 그래프는 도 6과 같은데, t는 -32에서 32까지이고 σ=8이다.
다음, 도 7과 같은 2차원 필터행렬의 매 열마다 1차원 웨이블릿을 반복하여 각도 0도에 대한 2차원 방향성필터를 생성한다.
이어서, 필터에 회전연산자를 적용해 원하는 각도로 배향한다. 이런 회전연산자는 예컨대 아래와 같은 기본 회전행렬을 이용한다:
Figure 112009032814719-PCT00007
여기서, x'와 y'는 새로운 필터의 좌표, x와 y는 현재 필터의 좌표, θ는 회전각이다. 원하는 배향 각도마다 이런 회전을 함으로써, 일련의 방향향상 필터들을 구성한다. 이들 필터를 영상에 적용한 결과 본 발명의 실시예에 사용된 게이버필터와 비슷한 결과를 얻었다. 예를 들어, 전술한 바와 같이 135도 필터가 구성되었다. 이 필터를 사용해 도 8의 영상을 여과한 결과가 도 10과 같고, 비슷한 배향의 게이버필터를 사용한 결과인 도 9와 비교해본다.
이렇게 1차원 웨이블릿에서 2차원 웨이블릿 필터를 만드는 방법에 사용되는 1차원 웨이블릿은 많다.
Mexican Hat Wavelet은 아래 식을 갖는다:
Figure 112009032814719-PCT00008
여기서 t는 시간이고 σ는 표준편차이다.
(Mexican Hat Wavelet을 구하는데 사용되는) 가우시안 웨이블릿(Gaussians Wavelet)의 식은:
Figure 112009032814719-PCT00009
여기서, σ 1과 σ 2는 표준편차이고, μ 1과 μ 2는 평균값이다.
Morlet Wavlet의 식은:
Figure 112009032814719-PCT00010
여기서 t는 시간이고 σ는 표준편차이다.
Hermitian Wavelet은 Mexican Hat이 일원으로 있는 웨이블릿의 집단이다. n차 Hermitian wavelet은 n차 가우시안 도함수일 뿐이고, 그 식은:
Figure 112009032814719-PCT00011
여기서, H n 은 n차 Hermite 다항식이고, c n 은 아래와 같다:
Figure 112009032814719-PCT00012
또, 기존의 Haar, Daubechies, Coiflet, Symmlet 웨이블릿과 같은 이산 1차원 웨이블릿들도 동일하게 이용할 수 있다. 이들 웨이블릿은 일반적으로 당업자에게 테이블값이 잘 알려진 일련의 이산값들로 정의된다.
지금까지 설명한 적응 웨이블릿은 영상의 방향성 여과향상을 위해 본 발명에 따라 적응될 수 있는 1차원 웨이블릿의 일례이다. 비슷한 특성을 갖는 다른 1차원 웨이블릿도 본 발명의 범위내에서 지금까지 설명한 방식대로 사용될 수 있다.
이제 ROI에 필터를 적용해 첫번째 키(42)를 생성한다.
각각의 필터의 출력을 여러개의 영역(바람직하게는 20x20 화소)으로 분할하하되, 영역마다 1개 이상의 화소가 포함되도록 하고, 각각의 화소는 화소강도를 갖는다. 이들 영역의 블록사이즈는 추출될 특징부의 사이즈에 따라 변할 수 있다.
세분된 각각의 필터 출력의 각각의 영역에 대해, 이 영역의 화소강도의 통계값, 바람직하게는 평균편차를 계산한다. 통계값으로서 평균편차가 바람직하지만, 표준편차, 평균값, 절대평균편차 등의 다른 값도 사용할 수 있다. 사실상, 이들 통계값 여러가지를 동시에 사용해 영역마다 여러가지 통계값을 산출해 등록키를 구성하는 것도 가능하다. 통계값의 중요한 특징은, 영상 중에서 편차가 높은 곳은 필터로 개선된 부분이지만 편차값이 낮은 곳은 그렇지 않다는 것이다. 따라서, 편차가 높은 곳은 통계학적으로 필터의 배향과 비슷한 배향으로 혈관이 존재함을 보여줄 가능성이 높다. 편차의 크기도 혈관이 지나는 각도와 필터의 각도와의 밀접도를 표시한다. 필터와 밀접한 각도로 지나는 혈관은 약간의 반응을 보이지만, 정확히 동일한 각도로 지나는 혈관은 훨씬 큰 반응을 보인다.
이어서, 영역들에 대한 통계값들을 소정 순서로 저장하여 등록키 벡터(42)를 형성하도록 이들 통계값들을 배열한다. 비교를 위해, 등록키의 통계값 배열을 저장된 확인키의 통계값 배열과 일치시키는 것이 필수이다. 키 사이즈가 관건이면, 편차값을 조절해 최대값은 255로, 최소값은 0으로 하여 각각의 값이 저장공간 1바이트만 차지하도록 한다. 이들 영역을 도면에 강도가 변하는 패치(patch)로 표시했는데, 흑색 패치는 0 값을 갖고 백색 패치는 255 값을 갖는데, 도 11에 도시된 등록 키 벡터(42)가 8개 키집합에 모두 포함되어 있다. 저장공간을 더 줄이기 위해, 임계값을 적용해 키를 2진 표현으로 줄일 수 있다. 이런 2진 표현의 키에서, 블록(block) 표시마다 1비트만 차지하므로, 저장공간이 크게 줄어든다. 이렇게 되면 비용도 절감된다.
등록키 벡터(42)를 (확인 또는 제2의 키 데이터베이스에 연결되는) 디스크(44)에 저장하거나 기존의 확인키와 대조해 확인기능이나 식별기능을 할 수 있다.
2개의 키(등록키와 확인키)를 대조하는 과정은 직접적이고, 키를 대조하는 방법은 많다. 일례로, 키에 대해 전체적으로 간단한 유클리드거리(Euclidian distance) 계산을 한다. 다시 말해, 첫번째 등록키와 두번째 확인키가 각각
Figure 112009032814719-PCT00013
와
Figure 112009032814719-PCT00014
이면, 유클리드 거리는
Figure 112009032814719-PCT00015
로 결정된다.
본 발명에 의한 대조단계를 나타낸 순서도가 도 12이다. 생성된 첫번째 등록키를 저장된 두번째 확인키와 비교할 때 전술한 바와 같이 선택된 거리메트릭(distance metric)을 이용하고, 임계거리를 이용해 2개 키를 대조했는지 판단한다(54 단계). 2개 키 사이의 거리가 임계거리보다 길면 일치하지 않는 것이고, 계산된 거리가 임계거리보다 짧으면 이들 2개 키는 일치하는 것이다.
실제로는, 본 발명의 장치나 방법을 통해 혈관 영상을 조절하고 결과 점수들을 평가한 뒤에야 임계값들을 설정한다. 이어서 거짓양성(승락/일치)과 거짓음성 (불일치)을 대비한 최고의 보안을 반영하는 임계점수들을 선택한다. 예를 들어, 뒤에 자세히 설명하는 피어슨 상관계수(Pearson Correlation)를이용한 방법은 일반화된 메트릭을 장점으로 하고 임계점수로 0.5를 이용한다. 이 거리(점수)보다 낮은 것은 모두 일치하는 것이고, 높은 것은 모두 불일치한다. 키를 일치시키는 일반적인 점수 범위는 0.15~0.3이고, 키를 불일치시키는 일반적인 점수 점위는 0.6~1.0이다. 여기서 설명한 거리메트릭마다 수치범위가 약간씩 다른 출력값을 생성하고, 경우에 따라 원하는 보안성을 반영하는 불일치 임계점수와 허용가능한 일치 임계점수를 결정할 필요가 있다.
대조단계는 데이터베이스에 대해 여러번 반복하는데, 경우에 따라서는 키의 특성을 이용한 방법도 채택한다. 비슷하기는 해도 동일하지는 않은 혈관영상에서 생긴 키들을 비교하기 위해, 도 13A는 도 14A와, 도 13B는 도 14B와 각각 비교한다. 도 13A는 혈관영상이고 도 13B는 본 발명을 이용해 도 13A의 영상에서 생긴 키이다. 주지하는 바와 같이, 도면에 표시된 모든 키는 시각적 비교를 위해 0(흑색)부터 255(백색)의 범위에서 일반화된 키벡터 자체의 그림이다. 도 14A는 도 13A와 같은 사람의 다른 영상으로 약간 다른 각도에서 취한 것이고, 도 14B는 이 영상에서 생긴 키를 보여주는데, 비슷한 영상(도 13A와 도 14A)가 어떻게 비슷한 키(도 13B와 도 14B)를 생성하는지 보여준다.
마찬가지로, 비슷하지 않은 혈관영상에서 생긴 키의 예가 도면에 표시되었는데, 도 15A와 16A, 도 15B와 도 16B를 각각 비교한다. 도 15A와 15B는 도 13A와 13B와 동일한 것이고, 비교를 위해 도 16A와 도 16B를 보면 비슷하지 않은 혈관패 턴이 어떻게 비슷하지 않은 키를 생성하는지 알 수 있다. 키 값에서 눈에 띄는 차이를 도 15B와 16B에서 알 수 있다.
비교매트릭 단계(54)에서 전체적으로 키가 정의한 지점들의 유클리드거리를 이용하는 것이 바람직하지만, 해밍거리(Hamming Distance), 유클리드 제곱거리(Euclidean Squared Distance), 맨하탄 거리(Manhanttan Distance), 피어슨 상관계수 거리(Pearson Correlation Distance), 피어슨 제곱 상관계수 거리(Pearson Squared Correlation Distance), 체비쉐프 거리(Chebychev Distance), 스피어만 순위상관계수 거리(Spearman's Rank Correlation Distance) 등을 포함한 다른 방법도 많다.
이런 다른 거리 메트릭의 식들은 공지되어 있는바, 유클리드 거리 대신에 사용될 수 있다.
본 발명에 따라 key1과 key2 사이의 거리에 사용될 수 있는 다른 식들은 아래와 같다:
유클리드 제곱거리의 식은
Figure 112009032814719-PCT00016
맨하탄 거리 (또는 블록 거리)의 식은
Figure 112009032814719-PCT00017
피어슨 상관계수거리의 식은
d = 1 - r
여기서,
Figure 112009032814719-PCT00018
μ는 평균값, σ는 표준편차, n은 x, y 시퀀스에서의 값들의 갯수이다. 피어슨 상관계수는 일반화된 거리로서 본 발명을 실행하는데 특히 적절한 거리메트릭이다.
피어슨 제곱상관계수거리의 식은
d = 1 - 2r
로서, 피어슨 상관계수거리와 같은 개념이다.
체비쉐프 거리(또는 최대 1차원 거리)의 식은
Figure 112009032814719-PCT00019
스피어맨 순위상관계수거리의 식은
Figure 112009032814719-PCT00020
도 17~24에 의하면, 각각의 영상에 대한 각종 거리메트릭의 성능을 볼 수 있다. 모든 키들은 65화소x65화소 크기의 우대칭 게이버필터(Even-Symmetric Gabor Filter) 8개를 사용해 생겼는데, 필터계수는 아래와 같다:
Figure 112009032814719-PCT00021
이들 8개 필터를 영상(도 17A, 18A, 19A, 20A) 각각에 독립적으로 적용해 각 8개의 별도의 필터출력(도 17B, 18B, 19B, 20B)을 생성했다. 도 17A와 18A는 같은 손을 촬영한 비슷한 영상이고, 도 19A와 20A는 서로 다른 손을 촬영한 영상이다. 도 21~24는 거리메트릭이 서로 다른 영상을을 여러가지 조합비교해 생긴 점수들이고, 비교를 위한 임계값은 각각의 테이블 하단에 표시했다. 도 21~24의 모든 일치 점수는 키의 길이에 의해 정상화(분할)되었고, 피어슨 상관계수는 정상화된 점수를 생성하기 때문에 그 점수는 정상화할 필요가 없다. 도 21~24의 테이블에서 알 수 있듯이, 동일인의 2개의 영상의 비교는 성공적이지만 나머지는 일치하지 않는다. 또, 피어슨 상관계수는 바람직한 거리 메트릭으로서 최적의 점수 분리를 보여준다. 이렇게 피어슨 상관계수 거리메트릭이 성능 개선을 보이는 이유는 정상화된 메트릭이기 때문이다. 입력 영상들이 전처리 단계에서 정상화되지 않았기 때문에, 다른 방법은 어려움을 보인다.
본 발명에서 가능한 관심사는 계산복잡도이다. 혈관 패턴이 들어있는 영상의 특징을 추출하는데 필요한 필터는 상당히 대형이고, 사용된 필터의 수에 따라 필터링 횟수도 문제가 될 수 있다. 이런 문제는 계산능력을 추가하고 본 발명의 계산단계를 소프트웨어만이 아니라 하드웨어를 같이 이용함으로써 쉽게 풀 수 있다. 여러개의 필터를 영상에 독립적으로 병렬로 적용하는 것도 쉽게 가능하므로, 병렬처리 에도 가능하다. 현대 컴퓨터기술에서 가능한 멀티코어, 멀티프로세서 컴퓨팅 플랫폼이라면 본 발명을 구현하는데 충분하다.
좀더 신속한 키 식별/대조를 위해, 필터 출력값에서 취한 소집합 키("서브키(sub-key)")를 별도로 비교하거나, 각각의 서브키의 짝수 영역들을 비교하여, 계산 부담을 줄일 수 있다. 이들 서브키를 비교한 결과를 독립적으로나 재조합하여 대조시스템에 사용해 단일 대조값을 구한다.
도 25~28은 본 발명에 따라 계산부담을 줄이는데 부분적 키대조를 이용하는 방법을 보여준다. 도 25, 26에서, 첫번째 키(70)는 도 17B의 키와 같은 것이고, 두번째 키(72)도 도 18B 키와 같은 것이다.
부분적 대조는 아래와 같이 한다. 먼저, 입력키의 서브키(74)를 선택하는데, 도 25~26에서 서브키(74)는 7번째 필터출력에서 생성된 것으로, 이 필터의 각도배향은 135도이다. 서브키(74)는 400개의 값을 갖지만, 실제로는 어떤 사이즈의 어떤 서브키도 사용할 수 있다. 선택된 서브키(74)를 데이터베이스의 다른 키(72)의 서브키(76)와 비교하되, 전술한 바와 같이 거리 메트릭을 이용하고 이렇게 얻은 거리점수를 기록한다. 전술한 전체키 대조법과 비교해, 도 25~26의 경우 피어슨 상관계수의 거리 메트릭을 이용해 서브키(74,76,80)를 비교한다. 한쌍의 서브키의 비교결과가 제1 임계값(58)보다 작으면(도 25~26에서는 제1 임계값이 0.5임), 서브키를 포함한 전체키들을 비교해, 키대조가 제대로 되어 전체키 대조를 하는데 필요한 계산을 할만하다고 판단한다. (도 21~24의 실시예에서 설명한대로 실행된) 두번째 전체키 비교에서는 서브키 비교나 다른 비교에 사용된 것과 같은 거리 메트릭을 사용 하지만, 도 25~26의 실시에에서는 두번째 비교에 피어슨 상관계수를 이용한다. 전체키 비교 거리가 제2 임계값(0.5)보다 작으면 일치한다고 하고, 그렇지 않으면 다음 서브키들을 비교한다. 한편, 대신에 후보 리스트를 만들고, 추가로 부분적 키대조를 하거나 전체키 대조를 진행하여 최선의 일치를 찾을 수도 있다. 필요하면, 더 조사하기 위해 오퍼레이터에게 아주 일치하는 리스트를 제공하기도 한다. 전체대조를 할 때의 키를 걸러내 서브키를 사용하면 대형 데이터베이스 환경에 사용되었을 때 상당한 계산부담의 절감을 도모할 수 있다. 이와 같은 예비 비교는 다른 최종비교 시스템과 함께 사용되기도 한다. 예를 들어, 본 발명의 서브키 대조는 조사공간을 제한하는데 사용되고, 포인트 기반 비교알고리즘은 최종 비교를 하는데 사용되는데, 이에 대해서는 뒤에 자세히 설명한다.
종래의 기술과 비교해 본 발명의 장점은 길이고정 키를 이용해 대형 데이터베이스를 인덱스(index)하는 방식에 있다. 예를 들어, 데이터베이스를 검색하는데 필요한 계산 횟수를 줄이기 위해, 현재의 등록키와는 성질이 상당히 다르다고 알려진 키는 무시하도록 서브키를 미리 인덱스함으로써, 이런 부적격 키와 비교하는 소모적인 계산을 피할 수 있다. 이런 부적격 키를 무시하도록 데이터베이스를 사전 인덱스하는 것을 키 전체가 서브키로 사용될 때에도 적용하면, 몇개 서브키가 아닌 전체 키의 특징을 기초로 데이터베이스의 인덱싱(indexing)이 이루어진다. 그러나, 설명의 편의상, 몇개 서브키를 이용하는 것을 예로 들어 설명한다. 도 27~28에 도시된 실시예는 서브키 셀에서 0의 값을 갖지 않은 필드수를 세는 "논-제로 카운트(non-zero count)"를줄여서 인덱스된 서브키 데이터베이스에 이용된다. 각각의 키벡터 요소에 대한 통계학적 측정 "카운트"
Figure 112009032814719-PCT00022
는
평균편차일 것이고, 도 27~28에 도시된 키 인덱싱은 각개 서브키의 통계값이나 부분값을 근거로 한다. 예를 들어, 문제의 키의 최대편차가 45도에서 취한 필터에 관련된 서브키에서 크다면, 펴차가 거의 없는 키와의 비교는 무시된다. 일정 임계값 이상이나 이하의 키나 서브키의 갯수, 영점에서의 거리, 응답값이 높거나 낮은 키의 현재 면적과 같은 계산을 제한하는 인덱스를 구축하는 다른 방법을 취할 수도 있어, 키나 서브키의 집합을 비슷한 특징끼리 묶을지 여부를 판단할 수 있다. 비슷한 특징이란 공통의 측정성을 갖는 것을 의미하고, 예를 들면 생체인식정보의 계량자로서의 논-제로(non-zero) 키값의 수가 있고, 이에 따라 측정된 "특징"의 값은 비슷하다. 응답값이 높거나 낮은 키의 면적의 예를 들면, 각도 45도의 필터와 관련된 키의 1/4분면에 있는 정상 키값은 25를 넘지 않을 것이다. 이것은 이런 필터배향에서는 1/4분면에 아무런 혈관이 거의 또는 전혀 존재하지 않음을 지적한다. 여러개의 키 특징들로 구축된 일련의 인덱스가 있으면 전체 비교를 위해 올바른 서브키에 대해 신속히 집중 대조를 함으로써, 대형 데이터베이스에 대한 검색시간을 획기적으로 줄일 수 있다.
대형 데이터베이스 비교속도를 높이는데 사용되는 부분키 인덱싱의 예를 보여주는 도 27~28에 대해 이제 설명한다. 도 27에서는 키의 부분집합을 검사하고, 이들 키의 특징을 이용해 인덱스를 형성한다. 도 25~26의 방식과 비교해, 7번째 필터출력에 관련된 서브키 부분들을 한번 더 도 27~28의 실시예에 사용한다. 키 데이 터베이스에 인덱스를 사용하면, 특징이 비슷한 키들의 부분집합으로 비교가 제한된다. 도 27~28의 실시예에서, 여러개의 논제로 키값을 인덱싱 측정에 사용하고 거리 메트릭을 피어슨 상관계수로 선택했는데, 이는 도 25~26의 실시예와 비교된다. 이는 여러개의 논제로(non-zero) 키값들이 7번째 필터출력을 사용한 본 실시예에서 각도 135도인 혈관의 정보의 표시자인 필터 응답의 크기를 나타내기 때문이다. 입력영상의 서브키(74)의 논제로 키값은 56개임을 보여준다. 여러개의 논제로 서브키 값들로 데이터베이스를 인덱스하기 때문에, 입력 서브키(74)를 비슷한 특징을 갖는 서브키와 비교하기만 하면 된다. 도시된 실시예에서 56개 논제로 값의 입력 서브키 카운트가 20 이내인 논제로 키값 카운트로 검사할 키의 범위를 제한한다면(즉, 36~76의 범위), Key 2의 서브키(76)와 Key 3의 서브키(78)만 고려하면 되고, Key 4의 서브키(80)는 Key 1의 서브키(74)의 선택된 카운트거리 20에 속하지 않으므로 무시할 수 있다. 키 데이터베이스의 인덱싱에 도 27~28의 실시예에서는 제로의 임계값(즉, 논제로 통계측정 키값 카운트)을 사용하지만, 실제로는 키의 셀구역이 의미있는 것으로 간주되기 전에 상당한 필터응답을 요하도록 임계값 10이나 20보다 큰 키값 카운트로 데이터베이스를 인덱스해야만 하는 것처럼 최대값과 최소값 사이의 어떤 값도 사용할 수 있다.
이상의 설명에는 없었지만, 다수의 서브키에 인덱스를 사용하거나 (주어진 임계값과 편차 이상의 평균값과 논제로 값과 같은) 여러 통계값을 이용해 비슷한 특징을 갖는 키나 서브키들을 결정하는 것도 본 발명의 범위에 속하고, 이런 기술을 이용하면 검색공간을 더 제한할 수 있다. 최대값, 최소값, 평균값, 중간값, 평 균편차, 표준편차 등의 어떤 통계값도 데이터베이스내 검색공간을 제한하기 위해 유사 특징의 메트릭으로서 단독으로나 같이 서브키에 사용될 수 있다. 데이터베이스 인덱스에 의해 일단 검색공간을 좁혔으면, 서브키 비교를 이용해 필드를 더 좁히거나 최종 결과를 위해 나머지 키들을 모두 비교할 수 있다. 어느 경우도 도 25~28의 실시예에 예시되어 있다.
최종 비교를 위해 후보 키를 좁히는데 몇개의 서브키라도 추출해 사용할 수 있음을 알아야 한다. 예를 들어, (도 25에서 설명한) 135도 방향의 필터출력으로 생성된 키들을 비교해 전체비교를 위한 후보군을 우선 좁힐 수 있다. 이런 비교집합에서 생긴 대조점수들을 임계값과 비교하고 임계값을 벗어난 점수를 갖는 키들은 배제한다. 전체키 비교에 적합한 나머지 후보군 집합의 사이즈에 따라, 45도 각도의 필터출력에서 생성된 키와 같은 다른 서브키들을 이용해 이들 나머지 키들을 비교하는 것이 유리할 수 있다. 이런 2차 서브키 비교와 임계값으로 인해 전체키 비교에 적합한 후보군을 더 좁힐 수 있다. 서브키를 사용한 이런 과정을 반복하면 후보군을 상당히 줄일 수 있다.
전술한 바와 같이 서브키에서 생성된 인덱스드을 조합하면 키 비교에 사용되는 데이터베이스의 후보군을 더 줄일 수 있다. 예를 들어, 초기 1단계 인덱스(인덱스 1)는 특정 서브키의 논제로 카운트를 근거로 한다. 특정 후보의 키를 위해 생성된 일정 범위의 인덱스에 속하는 인덱스 값을 갖는 키만 조사하도록 데이터베이스를 필터링하면, 검색공간을 제한할 수 있다. 그러나, 데이터베이스에서 (인덱스 2, 3..과 같은) 추가 인덱스들을 얻을 수 있으면, 이런 인덱스를 이용해 후보군을 더 줄일 수 있다. 이런 추가 인덱스들은 서브키마다 같은 특징을 이용해 생성할 수 있는데, 예를 들면 인덱스 2가 서브키 2의 논제로 카운트이거나 서브키 1의 평균값이되게 하거나, 또는 2가지를 조합해 인덱스 2는 서브키 2의 논제로 카운트이고 인덱스 3는 서브키 1의 평균값으로 하는 등등이 가능하다. 즉, 데이터베이스의 추가 인덱스마다 검색공간을 더 제한하거나 줄일 수 있는 것이다.
여러 검색방법을 결합할 수도 있다. 예를 들어, 먼저 여러가지 인덱스들을 먼저 비교해 신속히 후보군을 제한한 다음, 부분키 비교를 여러번 하여 전체키 비교에 적합한 후보공간을 더 제한하고, 이어서 나머지 후보들을 전체 키 비교에 사용한다. 인덱스 비교와 서브키 대조를 하는 순서를 섞을 수도 있어, 인덱스 검색, 서브키 대조, 다른 인덱스 검색의 순서로 할 수도 있다. 그러나, 인덱스 검색은 싱글값 비교로서 서브키 대조보다 빠르고 계산부담이 덜하므로, 서브키 대조(거리 계산)를 하기 전에 인덱스 검색 비교를 하는 것이 유리한 것이 보통이다.
본 발명의 다른 장점은 종래의 혈관대조법과 함께 사용할 때 종래의 포인트기반 기술보다 정밀도가 높고 속도가 빠르다는 것이다. 본 발명을 이용해 생성된 고정길이 키는 검색공간을 신속히 제한하는데 사용되고, 나머지 적절한 후보들을 대조하는데는 포인트기반 정보를 사용한다. 이때문에 본 발명은 기존의 1:1 대조법을 확장할 수 있는 유용한 도구로서 적절한 비교 후보군을 신속히 선택하는데 이용되고, 기존의 방식은 최종 생체인색 대조를 결정하는데 이용될 수 있다. 오로지 포인트기반 정보만을 이용하는 기존의 방식에 비해, 본 발명은 정보를 추가하여 보다 정확한 대조를 할 수 있다. 순수 인덱스로 사용될 때, 사용된 필터의 갯수도 줄여 계산 횟수를 줄일 수 있다.
본 발명에서 생성된 길이고정 키를 종래의 포인트기반 방식으로 생성된 정보와 결합하면 더 유리하다. 첫째, 데이터베이스 검색범위를 줄이기 위한 본 발명의 방법은 포인트기반 혈관 접근법에 의해 보다 더 빠른 대조를 할 수 있고, 둘째, 2가지 방식을 조합하면 대조과정에 생체인식정보를 더 제공할 수 있다. 본 발명의 길이고정 키는 일반 조직과 순환 정보를 기반으로 신속한 대조를 하고, 기존의 포인트기반 방식은 영상내의 특정 임계점에 관한 데이터를 이용한다. 그 결과 어느 한가지 방법만 이용할 때보다 정확도가 개선되고, 본 발명의 길이고정 키 대조법에서는 속도에 장점이 있다.
본 발명은 피하혈관 적외선 영상에서 생체인식정보를 추출해 비교하는데 이용된다. 이 영상은 생체인식 식별에 사용된다.
이상, 본 발명에 대해 설명한 것은 단지 예를 든 것일 뿐이고, 본 발명의 범위가 이상의 설명에 한정되는 것은 아님을 알아야 한다. 어디까지나 본 발명의 범위는 특허청구범위에 의해서만 정해지는 것이다.

Claims (25)

  1. 사람의 피하혈관 적외선 영상에서 생체인식정보를 추출 및 대조하는 신분확인방법에 있어서:
    ⒜ 다수의 제1 필터로 상기 혈관영상을 여과하여 다수의 동일한 제1 여과 영상들을 생성하는 단계;
    ⒝ 각각의 여과 영상을 다수의 제2 영역으로 분할하되, 영역마다 화소가 하나 이상 들어있고, 화소마다 강도를 갖는 단계;
    ⒞ 상기 영역 각각에 대해, 화소강도의 통계값을 형성하는 단계;
    ⒟ 상기 통계값들을 순서대로 배열해, 등록키를 형성하는 단계;
    ⒠ 상기 등록키를 저장된 확인키와 비교하되, 등록키와 확인키의 거리를 계산하고 임계거리와 비교하여 신분을 식별하는 단계;를 포함하는 것을 특징으로 하는 신분확인방법.
  2. 제1항에 있어서, 혈관영상을 여과하기 전에 전처리과정으로 잡음을 제거하는 것을 특징으로 하는 신분확인방법.
  3. 제2항에 있어서, 상기 혈관영상의 관심 영역을 식별하는 단계를 더 포함하는 것을 특징으로 하는 신분확인방법.
  4. 제1항에 있어서, 상기 혈관영상의 관심 영역을 식별하는 단계를 더 포함하는 것을 특징으로 하는 신분확인방법.
  5. 제1항 내지 제4항 중의 어느 하나에 있어서, 상기 통계값이 평균편차인 것을 특징으로 하는 신분확인방법.
  6. 제1항 내지 제5항 중의 어느 하나에 있어서, 상기 통계값이, 평균편차, 표준편차, 평균값 또는 절대평균편차인 것을 특징으로 하는 신분확인방법.
  7. 제1항 내지 제6항 중의 어느 하나에 있어서, 상기 통계값이 제1 통계값과 제2 통계값의 조합을 포함하고, 제1 및 제2 통계값 모두 평균편차, 표준편차, 평균값, 절대평균편차, 최대값, 최소값, 최대절대값 및 중간값으로 구성된 군에서 선택되는 것을 특징으로 하는 신분확인방법.
  8. 제1항 내지 제7항 중의 어느 하나에 있어서, 상기 필터가 배향각이 서로 다른 우대칭 게이버필터(Even Symmetric Gabor Filter)인 것을 특징으로 하는 신분확인방법.
  9. 제1항 내지 제8항 중의 어느 하나에 있어서, 상기 필터가 공간주파수가 서로 다른 우대칭 게이버필터인 것을 특징으로 하는 신분확인방법.
  10. 제1항 내지 제9항 중의 어느 하나에 있어서, 상기 필터가 아래 필터 중에서 선택되는 것을 특징으로 하는 신분확인방법.
    ⒜ 배향각이 서로 다른 우대칭 게이버필터;
    ⒝ 공간주파수가 서로 다른 우대칭 게이버필터;
    ⒞ 복합 게이버필터(Complex Gabor Filter);
    ⒟ 로그 게이버필터(Log Gabor Filter);
    ⒠ 오리엔티드 가우시안 필터(Oriented Gaussian Functions); 및
    ⒡ 개조 웨이블릿(Adapted Wavelets).
  11. 제1항 내지 제10항 중의 어느 하나에 있어서, 상기 거리가 유클리드 거리인 것을 특징으로 하는 신분확인방법.
  12. 제1항 내지 제11항 중의 어느 하나에 있어서, 상기 거리가 아래 거리 중에서 선택되는 것을 특징으로 하는 신분확인방법.
    ⒜ 유클리드 거리;
    ⒝ 해밍거리(Hamming Distance);
    ⒞ 유클리드 제곱거리(Euclidean Squared Distance);
    ⒟ 맨하탄 거리(Manhanttan Distance);
    ⒠ 피어슨 상관계수 거리(Pearson Correlation Distance);
    ⒡ 피어슨 제곱 상관계수 거리(Pearson Squared Correlation Distance);
    ⒢ 체비쉐프 거리(Chebychev Distance); 및
    ⒣ 스피어만 순위상관계수 거리(Spearman's Rank Correlation Distance).
  13. 사람의 피하혈관 적외선 영상에서 생체인식정보를 추출 및 대조하는 신분확인방법에 있어서:
    ⒜ 다수의 제1 필터로 상기 혈관영상을 여과하여 다수의 동일한 제1 여과 영상들을 생성하되, 필터로 배향각이 서로 다른 우대칭 게이버필터를 사용하는 단계;
    ⒝ 각각의 여과 영상을 다수의 제2 영역으로 분할하되, 영역마다 화소가 하나 이상 들어있고, 화소마다 강도를 갖는 단계;
    ⒞ 상기 영역 각각에 대해, 화소강도의 통계값을 형성하되, 이 통계값이 평균편차인 단계;
    ⒟ 상기 통계값들을 순서대로 배열해, 등록키를 형성하는 단계;
    ⒠ 상기 등록키를 저장된 확인키와 비교하되, 등록키와 확인키 사이의 유클리드 거리를 계산하고 임계거리와 비교하여 신분을 식별하는 단계;를 포함하는 것을 특징으로 하는 신분확인방법.
  14. ⒜ 사람의 피하혈관 적외선 영상을 캡처하는 수단;
    ⒝ 상기 혈관영상에 사용해 다수의 동일한 제1 여과 영상들을 생성하기 위한 다수의 제1 필터;
    ⒞ 각각의 여과 영상을 다수의 제2 영역으로 분할하는 수단(단, 영역마다 화소가 하나 이상 들어있고, 화소마다 강도를 가짐);
    ⒟ 상기 영역 각각에 대해 통계값을 형성하는 수단; 및
    ⒠ 각 영역에 대한 제1 통계값 배열을 저장되어 있던 제2 통계값 배열과 비교해, 이들 2가지 통계값 사이의 거리를 계산한 다음 임계값과 비교해 사람을 확인하는 수단;을 포함하는 것을 특징으로 하는 신분확인장치.
  15. 제14항에 있어서, 상기 필터들을 사용하기 전에 잡음제거를 위해 영상을 전처리하는 수단을 더 포함하는 것을 특징으로 하는 신분확인장치.
  16. 제15항에 있어서, 혈관영상의 관심영역을 확인하는 수단을 더 포함하는 것을 특징으로 하는 신분확인장치.
  17. 제14항에 있어서, 혈관영상의 관심영역을 확인하는 수단을 더 포함하는 것을 특징으로 하는 신분확인장치.
  18. 제14항 내지 제17항 중의 어느 하나에 있어서, 상기 통계값이 평균편차인 것을 특징으로 하는 신분확인장치.
  19. 제14항 내지 제18항 중의 어느 하나에 있어서, 상기 통계값이, 평균편차, 표 준편차, 평균값 또는 절대평균편차인 것을 특징으로 하는 신분확인장치.
  20. 제14항 내지 제19항 중의 어느 하나에 있어서, 상기 통계값이 제1 통계값과 제2 통계값의 조합을 포함하고, 제1 및 제2 통계값 모두 평균편차, 표준편차, 평균값, 절대평균편차, 최대값, 최소값, 최대절대값 및 중간값으로 구성된 군에서 선택되는 것을 특징으로 하는 신분확인장치.
  21. 제14항 내지 제20항 중의 어느 하나에 있어서, 상기 필터가 배향각이 서로 다른 우대칭 게이버필터(Even Symmetric Gabor Filter)인 것을 특징으로 하는 신분확인방법.
  22. 제14항 내지 제21항 중의 어느 하나에 있어서, 상기 필터가 공간주파수가 서로 다른 우대칭 게이버필터인 것을 특징으로 하는 신분확인장치.
  23. 제14항 내지 제22항 중의 어느 하나에 있어서, 상기 필터가 아래 필터 중에서 선택되는 것을 특징으로 하는 신분확인장치.
    ⒜ 배향각이 서로 다른 우대칭 게이버필터;
    ⒝ 공간주파수가 서로 다른 우대칭 게이버필터;
    ⒞ 복합 게이버필터;
    ⒟ 로그 게이버필터;
    ⒠ 오리엔티드 가우시안 필터; 및
    ⒡ 개조 웨이블릿.
  24. 제14항 내지 제23항 중의 어느 하나에 있어서, 상기 거리가 유클리드 거리인 것을 특징으로 하는 신분확인장치.
  25. 제14항 내지 제24항 중의 어느 하나에 있어서, 상기 거리가 아래 거리 중에서 선택되는 것을 특징으로 하는 신분확인방법.
    ⒜ 유클리드 거리;
    ⒝ 해밍거리;
    ⒞ 유클리드 제곱거리;
    ⒟ 맨하탄 거리;
    ⒠ 피어슨 상관계수 거리;
    ⒡ 피어슨 제곱 상관계수 거리;
    ⒢ 체비쉐프 거리; 및
    ⒣ 스피어만 순위상관계수 거리.
KR1020097011232A 2006-11-03 2006-11-03 생체인식정보의 추출과 대조를 위한 방법 및 장치 KR20090087895A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2006/043091 WO2008054396A1 (en) 2006-11-03 2006-11-03 Method and apparatus for extraction and matching of biometric detail

Publications (1)

Publication Number Publication Date
KR20090087895A true KR20090087895A (ko) 2009-08-18

Family

ID=39344577

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020097011232A KR20090087895A (ko) 2006-11-03 2006-11-03 생체인식정보의 추출과 대조를 위한 방법 및 장치

Country Status (8)

Country Link
EP (1) EP2092460A1 (ko)
JP (1) JP2010509672A (ko)
KR (1) KR20090087895A (ko)
CN (1) CN101595493A (ko)
AU (1) AU2006350242A1 (ko)
CA (1) CA2671561A1 (ko)
MX (1) MX2009004749A (ko)
WO (1) WO2008054396A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101141312B1 (ko) * 2011-05-16 2012-05-04 동국대학교 산학협력단 영상의 융합 기법을 이용한 의료용 혈관영상 처리방법
WO2013168873A1 (ko) * 2012-05-09 2013-11-14 서강대학교 산학협력단 배경과 관심조직을 구별하는 방법과, 석회화 조직을 검출하기 위한 광음향 영상 생성 방법 및 장치
KR20140049980A (ko) * 2011-02-17 2014-04-28 아이락 인크. 단일 센서를 이용하여 장면 이미지 및 홍채 이미지를 획득하기 위한 효율적인 방법 및 시스템
KR101413853B1 (ko) * 2012-06-20 2014-07-01 고려대학교 산학협력단 적외선 영상을 이용한 생체 신호 측정 방법 및 장치

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8212870B2 (en) 2007-09-01 2012-07-03 Hanna Keith J Mirror system and method for acquiring biometric data
WO2009029757A1 (en) 2007-09-01 2009-03-05 Global Rainmakers, Inc. System and method for iris data acquisition for biometric identification
US9002073B2 (en) 2007-09-01 2015-04-07 Eyelock, Inc. Mobile identity platform
US9036871B2 (en) 2007-09-01 2015-05-19 Eyelock, Inc. Mobility identity platform
US9117119B2 (en) 2007-09-01 2015-08-25 Eyelock, Inc. Mobile identity platform
KR20110063679A (ko) 2008-09-22 2011-06-13 크란디 키란 풀루루 정맥 패턴 인식 기반 생체인증 시스템 및 그 방법
US8787623B2 (en) 2008-11-26 2014-07-22 Bioptigen, Inc. Methods, systems and computer program products for diagnosing conditions using unique codes generated from a multidimensional image of a sample
WO2010062883A1 (en) * 2008-11-26 2010-06-03 Bioptigen, Inc. Methods, systems and computer program products for biometric identification by tissue imaging using optical coherence tomography (oct)
US8631053B2 (en) * 2009-08-31 2014-01-14 Mitsubishi Electric Research Laboratories, Inc. Method for securely determining Manhattan distances
SG190730A1 (en) * 2010-12-09 2013-07-31 Univ Nanyang Tech Method and an apparatus for determining vein patterns from a colour image
US8787625B2 (en) 2011-04-27 2014-07-22 Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center Use of relatively permanent pigmented or vascular skin mark patterns in images for personal identification
CN102890772A (zh) * 2011-07-21 2013-01-23 常熟安智生物识别技术有限公司 掌静脉识别技术方案
CN103136522A (zh) * 2011-11-28 2013-06-05 常熟安智生物识别技术有限公司 指静脉识别技术方案
WO2015145591A1 (ja) * 2014-03-25 2015-10-01 富士通フロンテック株式会社 生体認証装置、生体認証方法、及びプログラム
DE102014017004A1 (de) 2014-11-12 2016-05-12 Frank Nitschke Verfahren zur biometrischen personenbeziehbaren Überwachung der Händedesinfektionshäufigkeit
CN108021912B (zh) * 2015-10-19 2021-06-29 Oppo广东移动通信有限公司 一种指纹识别的方法和装置
JP6776559B2 (ja) 2016-03-03 2020-10-28 富士通株式会社 生体画像処理装置、生体画像処理方法および生体画像処理プログラム
JP6658188B2 (ja) * 2016-03-24 2020-03-04 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
CN109063541B (zh) * 2017-06-08 2021-11-12 墨奇公司 用于指纹识别的***和方法
US11620657B2 (en) * 2017-10-03 2023-04-04 Visa International Service Association System, method, and computer program product for authenticating identification documents
CN108090336B (zh) * 2017-12-19 2021-06-11 西安易朴通讯技术有限公司 一种应用在电子设备中的解锁方法及电子设备
JP7230396B2 (ja) * 2018-09-25 2023-03-01 富士フイルムビジネスイノベーション株式会社 画像処理プログラムおよび画像処理装置、並びにプログラム
KR102145041B1 (ko) * 2018-10-30 2020-08-14 박지원 어류 혈관 인식 시스템
CN111199527B (zh) * 2020-01-04 2021-02-02 圣点世纪科技股份有限公司 一种基于多方向自适应阈值的指静脉图像噪声检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5291560A (en) * 1991-07-15 1994-03-01 Iri Scan Incorporated Biometric personal identification system based on iris analysis
KR100259475B1 (ko) * 1997-04-14 2000-06-15 최환수 정맥분포패턴을 이용한 개인식별방법
JP3586431B2 (ja) * 2001-02-28 2004-11-10 松下電器産業株式会社 個人認証方法および装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140049980A (ko) * 2011-02-17 2014-04-28 아이락 인크. 단일 센서를 이용하여 장면 이미지 및 홍채 이미지를 획득하기 위한 효율적인 방법 및 시스템
KR101141312B1 (ko) * 2011-05-16 2012-05-04 동국대학교 산학협력단 영상의 융합 기법을 이용한 의료용 혈관영상 처리방법
US8428323B2 (en) 2011-05-16 2013-04-23 Dongguk University Industry-Academic Cooperation Foundation Method of processing medical image of blood vessel using image fusion method
WO2013168873A1 (ko) * 2012-05-09 2013-11-14 서강대학교 산학협력단 배경과 관심조직을 구별하는 방법과, 석회화 조직을 검출하기 위한 광음향 영상 생성 방법 및 장치
US9478023B2 (en) 2012-05-09 2016-10-25 Industry-University Cooperation Foundation Sogang University Method for discriminating between background and tissue of interest, and method and apparatus for generating photo-acoustic images for detecting calcified tissue
KR101413853B1 (ko) * 2012-06-20 2014-07-01 고려대학교 산학협력단 적외선 영상을 이용한 생체 신호 측정 방법 및 장치

Also Published As

Publication number Publication date
EP2092460A1 (en) 2009-08-26
MX2009004749A (es) 2009-09-28
CN101595493A (zh) 2009-12-02
CA2671561A1 (en) 2008-05-08
AU2006350242A1 (en) 2008-05-08
JP2010509672A (ja) 2010-03-25
WO2008054396A1 (en) 2008-05-08

Similar Documents

Publication Publication Date Title
KR20090087895A (ko) 생체인식정보의 추출과 대조를 위한 방법 및 장치
US20080298642A1 (en) Method and apparatus for extraction and matching of biometric detail
Syarif et al. Enhanced maximum curvature descriptors for finger vein verification
Yuan et al. Fingerprint liveness detection based on multi-scale LPQ and PCA
US7899217B2 (en) Multibiometric multispectral imager
Ng et al. A review of iris recognition algorithms
JP2009523265A (ja) 画像中の虹彩の特徴を抽出する方法
Hartung et al. Spectral minutiae for vein pattern recognition
JP2007188504A (ja) 画像中の画素強度をフィルタリングする方法
Aravindan et al. Robust partial fingerprint recognition using wavelet SIFT descriptors
Chuang Vein recognition based on minutiae features in the dorsal venous network of the hand
Chakraborty et al. A palmprint based biometric authentication system using dual tree complex wavelet transform
Bruno et al. Palmprint principal lines extraction
Ananthi et al. Human palm vein authentication using curvelet multiresolution features and score level fusion
WO2016023582A1 (en) A method of detecting a falsified presentation to a vascular recognition system
Kumar et al. Biometric authentication based on infrared thermal hand vein patterns
Ghali et al. A review of iris recognition algorithms
Hegde et al. FKP biometrics for human authentication using Gabor wavelets
Baek The fake fingerprint detection system using a novel color distribution
Najafi et al. A new iris identification method based on ridgelet transform
Avey et al. An FPGA-based hardware accelerator for iris segmentation
Rahulkar et al. Fast discrete curvelet transform based anisotropic feature extraction for iris recognition
SulaimanAlshebli et al. The cyber security biometric authentication based on liveness face-iris images and deep learning classifier
Lee et al. Iris recognition using local texture analysis
Sharma et al. Iris Recognition-An Effective Human Identification

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid