WO2019103520A1 - 홍채 인식 기반 사용자 인증 장치 및 방법 - Google Patents
홍채 인식 기반 사용자 인증 장치 및 방법 Download PDFInfo
- Publication number
- WO2019103520A1 WO2019103520A1 PCT/KR2018/014515 KR2018014515W WO2019103520A1 WO 2019103520 A1 WO2019103520 A1 WO 2019103520A1 KR 2018014515 W KR2018014515 W KR 2018014515W WO 2019103520 A1 WO2019103520 A1 WO 2019103520A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- iris
- eye
- normalized
- image
- hamming distance
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 210000001747 pupil Anatomy 0.000 claims abstract description 103
- 210000001508 eye Anatomy 0.000 claims description 213
- 238000010606 normalization Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000011218 segmentation Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000000744 eyelid Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010015995 Eyelid ptosis Diseases 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000003004 ptosis Diseases 0.000 description 1
- 230000001179 pupillary effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Definitions
- the present invention relates to an iris recognition-based user authentication apparatus and method, and more particularly, to an apparatus and method for recognizing iris recognition for a user including a user with a part of an iris, will be.
- the conventional iris recognition method requires registration for a sufficient area (for example, 40% or more) of the iris to obtain a reliable recognition result.
- the iris region is not limited to the user's eyelid, Or by highlights caused by wearing glasses.
- the user must open eyes irrespective of the iris registration and recognition process in order to always obtain a reliable authentication level in various external environments.
- Such a variety of external environments can be bright light that is reflected directly or indirectly from other objects such as snow, wind, dust, fog, smoke, etc., and it can also be a disease that is difficult to open the eyes, such as ptosis.
- FIG. 1 is a diagram illustrating an iris and a pupil region on an eye region image of a user according to some embodiments.
- an eye region image 10 of a user may be roughly divided into an iris region 101 and a pupil region 103.
- the conventional iris recognition technology extracts features of the iris feature, that is, the iris texture through image analysis for the iris region 101, and compares the extracted iris feature with previously registered iris data to check whether or not they match.
- texture refers to image pieces or patterns characterized by statistical indices describing image pattern direction characteristics and spatial frequency.
- each user can register and manage iris data in advance through image capturing and analysis of his / her iris and use the iris data as a user authentication means.
- the pupil area 103 is not covered by the user's eyelids, the iris area 101 is partially obscured by the user's eyelids, And a sufficient area necessary for recognition are exposed.
- the pupil region 103 and the iris region 101 are partially obscured by the user's eyelids, and in particular, the iris region 101 has a sufficient area
- the iris recognition and the user authentication may be difficult.
- One of the conventional biometric systems using iris recognition is to modify the similarity score calculation by determining the trust score based on the local density of the similarity between the compared iris images, Is used.
- One of the conventional biometric systems using iris recognition is a recognition method that fuses a plurality of features of the user's eye image.
- a number of features include both information about parameters of the iris texture and additional information about the eye color and the area around the eyes.
- this additional information can be used to reduce the number of failed recognition attempts because it is used to increase recognition accuracy but requires the use of additional computational resources due to the use of additional information and only information about one eye is used . Therefore, it is not suitable as a solution to the problem concerning the recognition of the partially obscured eye.
- iris recognition uses a combination of fingerprint recognition and face recognition to improve recognition accuracy.
- face recognition can rotate the left and right iris images according to the angle in the direction of removing the head tilt angle, using imaginary lines extending between the user's two eyes according to predefined features associated with the eye have.
- the iris image generated according to rotation can be used for registration or authentication, and the head tilt angle can be determined using a predefined feature associated with one eye in the image.
- a single integrated similarity score based on the iris similarity scores of the two eyes used for user identification is generated, but no meter is used for the generation of the integrated similarity score.
- geometric parameters such as inter pupillary distance (IPD) and IPD-to-iris ratio can be used for additional recognition of an appropriate template in a pre-stored database or for iris image quality estimation for fast searching, .
- this method is also not suitable as a solution to the problem concerning the recognition of the partially obscured eye.
- Some embodiments can provide an iris recognition based user authentication apparatus and method that can increase the accuracy of iris recognition through analysis of iris and pupil of the left and right eyes of a user.
- some embodiments provide an iris recognition-based user authentication apparatus and method capable of efficiently performing iris recognition using information on a geometric parameter of iris acquired through analysis of a user's pupil image and iris image can do.
- a first aspect of the present disclosure is a method for acquiring an image of a user's left and right eyes; Extracting a pupil image and an iris image from the image; Analyzing the iris image to obtain a first iris feature; Analyzing the iris image and the pupil image to obtain a second iris feature; Obtaining a similarity score based on the first iris feature, the second iris feature, and pre-stored reference iris data; And determining whether the user authentication is approved based on the similarity score.
- the second aspect of the present disclosure also provides a method for acquiring an image of a user's left and right eyes, extracting a pupil image and an iris image from the image, analyzing the iris image to obtain a first iris feature, Acquiring a similarity score based on the first iris feature, the second iris feature, and the previously stored reference iris data, analyzing the image and the pupil image to obtain a second iris feature, At least one processor for determining whether the processor is in a non-volatile memory; And at least one memory for storing the reference iris data.
- the third aspect of the present disclosure can also provide a computer program product comprising a computer-readable recording medium storing a program for causing a computer to execute the method of the first aspect.
- Some embodiments have the effect of increasing the accuracy of iris recognition through the analysis of the iris and pupil of the left eye and the right eye of the user.
- some embodiments have the effect of efficiently performing iris recognition using information on the geometric parameters of the iris acquired through analysis of the pupil image and the iris image of the user.
- FIG. 1 is a diagram illustrating an iris and a pupil region on an eye region image of a user according to some embodiments.
- FIG. 2 is a diagram illustrating an example of an iris recognition-based user authentication apparatus according to some embodiments.
- FIG. 3 is a flow diagram of an iris recognition based user authentication method in accordance with some embodiments of the present disclosure.
- FIG. 4 is a diagram illustrating a first iris feature and a second iris feature acquisition method in accordance with some embodiments of the present disclosure.
- FIG. 5 is a view showing positions of pupil and iris on a coordinate system according to some embodiments.
- FIG. 6 is a flow diagram of a method for calculating a similarity score in accordance with some embodiments.
- FIG. 7 is a flow diagram of a method for computing a first similarity parameter according to some embodiments.
- FIG. 8 is a diagram illustrating a method of calculating a similarity score using a first similarity parameter and a second similarity parameter.
- FIG. 9 is a flow diagram illustrating a method for determining whether a user is authorized by comparing a similarity score and a threshold score in accordance with some embodiments.
- a method comprising: obtaining an image of a user's left and right eyes; Extracting a pupil image and an iris image from the image; Analyzing the iris image to obtain a first iris feature; Analyzing the iris image and the pupil image to obtain a second iris feature; Obtaining a similarity score based on the first iris feature, the second iris feature, and pre-stored reference iris data; And determining whether the user authentication is approved based on the similarity score.
- a method for acquiring an image of a user's left and right eyes extracting a pupil image and an iris image from the image, analyzing the iris image to obtain a first iris feature, Acquiring a second iris feature by analyzing the iris image and the pupil image, obtaining a similarity score based on the first iris feature, the second iris feature, and the previously stored reference iris data, At least one processor for determining whether to approve; And at least one memory for storing the reference iris data.
- a computer program product may be provided that includes a computer-readable recording medium storing a program for causing a computer to execute the method of the first aspect.
- FIG. 2 is a diagram illustrating an example of an iris recognition-based user authentication apparatus according to some embodiments.
- the iris recognition-based user authentication apparatus 20 can acquire an image 21 of the left and right eyes of the user 2 to perform user authentication.
- the iris recognition based user authentication apparatus 20 may include a processor 201 and a memory 203.
- the processor 201 may obtain the image 21 for the left and right eyes of the user.
- the processor 201 may capture the user image directly, e.g., through the image acquisition unit to obtain the image 21 for the user's left and right eyes, or the image 21 for the left and right eyes of the user captured by another device 21 from another device.
- the processor 201 may extract pupil images and iris images from the images 21 for the user's left and right eyes.
- the processor 201 can obtain, for example, the pupil image of the left eye and the pupil image of the right eye and the iris image of the left eye, separately from the image 21 for the left and right eyes of the user.
- the processor 201 may analyze the iris image to obtain a first iris feature.
- the processor 201 may perform, for example, segmentation and normalization on the iris to obtain a first iris feature.
- the first iris feature may include information about an iris texture feature.
- the first iris feature may include information about the extracted iris texture, for example, by analyzing the iris image obtained from the image 21 for the left and right eyes of the user.
- the first iris feature may be, for example, converted into an encoded and binarized iris code.
- the processor 201 may analyze the iris image and the pupil image to obtain the second iris feature.
- the second iris feature may include information about the pupil position of the user and geometric parameters for the iris position.
- a second iris characteristics for example, information about the iris circle radius (R I), the pupil circle ratio between the radius of the iris circle radius (PIR), X-axis normalized distance (NDX) and Y-axis normalized distance (NDY) . ≪ / RTI >
- the iris circle means the circle having the smallest radius in the circle circumscribing the iris
- the pupil circle means the circle having the smallest radius in the circle circumscribing the pupil
- the processor 201 calculates the pupil center coordinates (X P , Y P ) and the pupil center coordinates determined by analyzing the iris image, the iris circle center coordinates (X I , Y I ) and the iris circle radius (R I )
- the second iris feature can be obtained based on the pupil radius (R P ).
- the processor 201 may obtain a similarity score based on the first iris feature, the second iris feature, and the reference iris data stored in advance in the memory 203.
- the processor 201 can generate the first similarity parameter by comparing the iris code corresponding to the first iris feature and the reference code included in the reference iris data stored in advance in the memory 203.
- the processor 201 may generate the second similarity parameter by comparing the second iris feature and the reference feature included in the reference iris data stored in the memory 203 in advance.
- the processor 201 may obtain a similarity score using the first similarity parameter and the second similarity parameter.
- the processor 201 may assign a first similarity parameter and a second similarity parameter to at least one of a predetermined mathematical expression and a parameter mapping table to obtain a similarity score for determining whether to approve user authentication.
- the processor 201 may determine whether to approve user authentication based on the similarity score.
- the processor 201 may compare the obtained similarity score with, for example, a preset threshold score to determine whether to approve the user authentication.
- FIG. 3 is a flow diagram of an iris recognition based user authentication method in accordance with some embodiments of the present disclosure.
- the processor 201 may acquire images of the left and right eyes of the user.
- the processor 201 may capture an image of the user's left and right eyes by, for example, capturing the user image directly through the image acquiring unit, or may acquire images of the user's left and right eyes captured by another apparatus from another apparatus .
- the processor 201 may extract a pupil image and an iris image from the acquired image.
- the processor 201 can obtain, for example, the pupil image and the iris image of the left eye, the pupil image of the left eye, and the iris image from the images of the left and right eyes of the user.
- the processor 201 may analyze the iris image to obtain the first iris feature.
- the processor 201 may perform, for example, segmentation and normalization on the iris to obtain a first iris feature.
- the first iris feature may include information about an iris texture feature.
- the first iris feature may be, for example, converted into an encoded and binarized iris code.
- the processor 201 may acquire the second iris feature by analyzing the iris image and the pupil image.
- the second iris feature may include information about the pupil position of the user and geometric parameters according to the iris position.
- a second iris characteristics for example, information about the iris circle radius (R I), the pupil circle ratio between the radius of the iris circle radius (PIR), X-axis normalized distance (NDX) and Y-axis normalized distance (NDY) . ≪ / RTI >
- the processor 201 calculates the pupil center coordinates (X P , Y P ) and the pupil center coordinates determined by analyzing the iris image, the iris circle center coordinates (X I , Y I ) and the iris circle radius (R I )
- the second iris feature can be obtained based on the pupil radius (R P ).
- step S305 the processor 201 may obtain a similarity score based on the first iris feature, the second iris feature, and the previously stored reference iris data.
- the processor 201 can generate the first similarity parameter by comparing the iris code corresponding to the first iris feature and the reference code included in the reference iris data stored in advance in the memory 203.
- the processor 201 may generate the first similarity parameter based on the left eye normalized hamming distance HD Left , the right eye normalized hamming distance HD Right , the left eye bit count BitCount Left and the right eye bit count BitCount Right .
- the processor 201 may compute the left-eye normalized hamming distance (HD Left ) and the right-eye normalized hamming distance (HD Right ), for example, by comparing the iris code and the previously stored reference code to generate the first similarity parameter .
- the Hamming distance (HD) is a distance function indicating the number of different symbols at the same position in two strings of the same length, and in particular, in the case of binary codes, the Hamming distance is the distance function of the discrepancy bits .
- Processor 201 is, for example, the left eye normalized Hamming Distance (HD Left) and right-eye normalized Hamming Distance (HD Right), number of the left eye of bits used to compute the left-eye normalized Hamming Distance (HD Left) and calculate (BitCount Left ) And the number of right-eye bits (BitCount Right ) used to calculate the right-eye normalized hamming distance (HD Right ).
- the number of bits corresponds to the number of bits for the area where masking due to the user's eyelid or the like does not exist in the iris recognition process, that is, the exposure area.
- the first similarity parameter may include, for example, a Hamming distance difference parameter (HDnorm), which is a normalized difference of a left-eye normalization hamming distance (HD Left ) and a right eye normalization hamming distance (HD right ).
- HDnorm Hamming distance difference parameter
- the first similarity parameter may include, for example, a Hamming distance average parameter (HD avg ) which is an average of the left- eye normalized hamming distance (HD left ) and the right eye normalized hamming distance (HD right ).
- HD avg Hamming distance average parameter
- the first similarity parameter may include, for example, the minimum total number of bits parameter (BitCount min ) which is the minimum total number of bits used in the calculation of the left- eye normalization hamming distance (HD left ) and the right eye normalization hamming distance (HD right ) .
- BitCount min the minimum total number of bits parameter which is the minimum total number of bits used in the calculation of the left- eye normalization hamming distance (HD left ) and the right eye normalization hamming distance (HD right ) .
- the first similarity parameter may include, for example, the maximum total number of bits parameter (BitCount max ) which is the maximum total number of bits used in the calculation of the left- eye normalized hamming distance (HD left ) and the right-eye normalized hamming distance (HD right ) .
- BitCount max the maximum total number of bits parameter
- the processor 201 can generate the second similarity parameter by comparing the second iris feature and the reference feature included in the reference iris data stored in advance in the memory 203.
- the processor 201 calculates the distance between the iris circle radius R I for the left eye and the right eye, the ratio PIR between the pupil circle radius and the iris circle radius, the X axis normalization distance NDX and the Y axis normalization distance NDY A second similarity parameter may be generated.
- a second degree of similarity parameters include, for example, may include a pupil center of the circle and the circle iris minimum distance is the minimum center distance difference parameter ( ⁇ ND min) of the distance between the centers.
- the second similarity parameter may include, for example, the maximum center-distance difference parameter ( NDmax ), which is the maximum distance in the distance between the center of the pupil circle and the center of the iris circle.
- NDmax the maximum center-distance difference parameter
- the second similarity parameter may include, for example, a radial difference average parameter (DELTA RI , avg ) that is an average of the normalized iris circle radius difference of the left eye and the normalized iris circle radius difference of the right eye.
- DELTA RI , avg radial difference average parameter
- the second similarity parameter includes a radius ratio difference average parameter (DELTA PIR avg ), which is an average of the ratio of the pupil circle radius to the iris circle radius in the left eye and the ratio difference between the pupil circle radius in the right eye and the iris circle radius can do.
- DELTA PIR avg radius ratio difference average parameter
- the processor 201 may obtain a similarity score using the first similarity parameter and the second similarity parameter.
- the processor 201 generates a plurality of parameters such as, for example, a Hamming distance difference parameter? HDnorm, a Hamming distance average parameter HD avg , a minimum total bit number parameter BitCount min and a maximum total bit number parameter BitCount max a first similarity degree parameter and a minimum center distance difference parameter ( ⁇ ND min), the maximum center distance difference parameter ( ⁇ ND max), the radial difference between the average parameter ( ⁇ R I, avg) and the radius ratio difference average parameters including a parameter ( ≪ / RTI > PIR avg ) to obtain a similarity score.
- the processor 201 can determine whether to approve user authentication based on the similarity score.
- the processor 201 may compare the obtained similarity score with, for example, a preset threshold score to determine whether to approve the user authentication.
- FIG. 4 is a diagram illustrating a first iris feature and a second iris feature acquisition method in accordance with some embodiments of the present disclosure.
- the superscript " Enrolled” refers to a parameter obtained from previously stored reference iris data
- the superscript " Probe” refers to a parameter acquired from an image of the user's left and right eyes Lt; / RTI >
- the subscript " Left " represents a parameter obtained for the left eye, and the subscript " Right " represents a parameter obtained for the right eye.
- the processor 201 may receive a captured user image via an external device, such as, for example, an infrared camera 401, and the processor 201 may receive an image of the user's left and right eyes from the received user image (402).
- an external device such as, for example, an infrared camera 401
- the processor 201 may receive an image of the user's left and right eyes from the received user image (402).
- the processor 201 After acquiring the images of the left and right eyes of the user, the processor 201 separately separates the left and right eye regions on the image to obtain the first iris feature and the second iris feature for the left eye and the right eye, Can be obtained (41, 43).
- the processor 201 may, for example, detect the left pupil on the image and determine the radius and center coordinates of the detected left pupil source.
- the processor 201 can acquire the left pupil image through the detection of the left pupil.
- the processor 201 can perform the left eye iris division.
- the left eye iris segmentation may include, for example, a process of determining the boundary between the left pupil and the left eye iris.
- the left eye iris segmentation can be performed using, for example, an image segmentation algorithm.
- the processor 201 can obtain the left eye iris image through the left eye iris division and determine the radius and the center coordinate of the left eye iris circle.
- the processor 201 can normalize the left eye iris image.
- the left eye iris image normalization can be defined, for example, as converting the pixels of the left eye iris image from polar coordinates to linear coordinates, and the pixels of the left eye iris image are normalized to a rectangular matrix position from a circular location Can be moved.
- Processor 201 may extract the left eye first iris feature from the normalized left eye iris image (413).
- the processor 201 can generate a binaural left eye iris code through encoding of the extracted left eye first iris feature.
- the processor 201 may acquire (411) the left eye second iris feature based on the information on the left pupil image obtained in the left eye pupil detection process and the information on the left eye iris image obtained in the left eye iris segmentation process .
- the processor 201 calculates the left eye iris circle center coordinates ( XI , Left , Left pupil circle center (X P, Left , Y P, Left ) and left pupil radius (R P ) determined by analyzing the left eye pupil image and the left eye iris circle radius (R I, Left )
- the second iris feature of the left eye can be obtained (411).
- the left second iris feature includes, for example, a left eye iris circle radius (RI , Left ), a ratio (PIR Left ) between a left eye pupil circle radius and a left eye iris circle radius, a left eye X axis normalization distance (NDX Left ) Y axis normalized distance (NDY Left ), and the like.
- Right eye image processing includes steps similar to left eye image processing.
- the process 43 of the processor 201 processing the right eye region the following plural steps may be performed.
- the processor 201 may, for example, detect the right eye pupil on the image and determine the radius and center coordinates of the detected right eye pupil.
- the processor 201 can acquire the right pupil image through the right eye pupil detection.
- the processor 201 can perform right eye iris segmentation.
- the right eye iris segmentation may include, for example, a process of determining the boundary between the right eye pupil and the right eye iris.
- the right eye iris segmentation can be performed using, for example, an image segmentation algorithm.
- the processor 201 can acquire the right eye iris image through the right eye iris division and determine the radius and the center coordinate of the right eye iris circle.
- Right eye iris image normalization can be defined, for example, as converting pixels of a right eye iris image from polar coordinates to linear coordinates. The pixels of the right eye iris image can be moved from the circular position to the rectangular matrix position through normalization.
- Processor 201 may extract the first right eye iris feature from the normalized right eye iris image (433).
- the processor 201 can generate a binaural right eye iris code through encoding of the extracted right eye first iris feature.
- the processor 201 may acquire (431) the right eye second iris feature based on the information on the right pupil image obtained in the right eye pupil detection process and the information on the right eye iris image obtained in the right eye iris segmentation process .
- the processor 201 calculates the right eye iris circle center coordinates ( XI , Right , Y I, Right) and right-eye iris circle radius (R I, Right), a right eye pupil circle center coordinates determined by analyzing the right eye pupil image (X P, Right, Y P, Right) and the right eye pupil circle radius (R P, Right eye iris feature (431).
- Right-eye second iris characteristics for example, the right eye iris circle radius (R I, Right), a ratio between the right eye pupil circle radius and the right eye iris circle radius (PIR Right), the right eye X-axis normalized distance (NDX Right) and right-eye And the position of the pupil and iris such as the Y-axis normalized distance (NDY Right ).
- a method for acquiring information on the pupil and iris geometric parameters of the left eye and right eye will be described later with reference to FIG.
- the processor 201 may compare the first iris feature and the second iris feature acquired for the left eye and the right eye with the reference iris data of the database 405 stored in the memory 203 to determine whether to approve the user authentication 403 have.
- FIG. 5 is a view showing positions of pupil and iris on a coordinate system according to some embodiments.
- the processor 201 can generate the parameter using the circumscribed circle, i.e., the iris circle 53 and the pupil circle 51, in which the iris and the pupil are respectively approximated.
- the pupil circle 51 surrounding the pupil has a radius R P and a center coordinate (X P, Y P ), and an iris circle 53 surrounding the iris has a radius R I and a center coordinate (X I, Y I ) .
- the parameters for the pupil circle 51 and the iris circle 53 is the second iris characteristics, that is, iris circle radius (R I), the ratio between the pupil circle radius and the iris circle radius (PIR), X-axis normalized distance (NDX ) And the Y-axis normalization distance NDY.
- the second iris feature may be compared with the reference feature included in the previously stored reference iris data and used to generate the second similarity parameter.
- the second iris feature is calculated based on information about the size and position of the pupil and iris that was determined during acquisition of the first iris feature and the iris code, and since the calculation formula is computationally simple, No computational resources are required.
- FIG. 6 is a flow diagram of a method for calculating a similarity score in accordance with some embodiments.
- step S601 the processor 201 may generate the first similarity parameter by comparing the iris code corresponding to the first iris feature and the reference code included in the previously stored reference iris data.
- the details of the first similarity parameter generating method of step S601 will be described later on the basis of the embodiment of Fig.
- step S602 the processor 201 may generate the second similarity parameter by comparing the reference feature included in the second iris feature and the previously stored reference iris data.
- the processor 201 calculates the pupil center coordinates (X P , Y P ) and the pupil center coordinates determined by analyzing the iris image, the iris circle center coordinates (X I , Y I ) and the iris circle radius (R I )
- the second iris feature can be obtained based on the pupil radius (R P ).
- the second iris feature obtained by analyzing the iris image and the left pupil image by the processor 201 includes, for example, an X-axis normalized distance NDX Left , a Y-axis normalized distance NDY Left , (PIR Left ), and the iris circle radius (R I, Left ).
- the second iris feature obtained by analyzing the iris image and the left pupil image by the processor 201 may include, for example, an X-axis normalized distance (NDX Right ), a Y-axis normalized distance (NDY Right ) The radius ratio (PIR Right ), and the iris circle radius (RI , Right ).
- the X axis normalization distance represents the normalization distance along the X axis, and is calculated according to the following equation.
- X I is the X-axis component of the center of the iris circle
- X P is the X-axis component of the center of the pupil source
- RI is the radius of the iris circle.
- NDY Y-axis normalization distance
- Y I is the Y-axis component of the iris circle center coordinates
- P X is the X-axis component of the pupil circle center coordinates
- R I denotes an iris circle radius
- circle radius ratio represents the ratio of the iris circle radius (R I) and the pupil circle radius of the left and right eyes (R P), is calculated according to the following formula:
- the processor 201 calculates the second iris feature, i.e., the X-axis normalized distance NDX Left , the Y-axis normalized distance NDY Left , the PIR Left , and the iris circle radius on the basis of the (R I, Left) and, X-axis normalized distance (NDX Right), Y-axis normalized distance (NDY Right), the circle radius ratio for the right eye (PIR Right) and iris circle radius (R I, Right) the 2 similarity parameter can be obtained.
- the second iris feature i.e., the X-axis normalized distance NDX Left , the Y-axis normalized distance NDY Left , the PIR Left , and the iris circle radius on the basis of the (R I, Left) and, X-axis normalized distance (NDX Right), Y-axis normalized distance (NDY Right), the circle radius ratio for the right eye (PIR Right) and iris circle radius (R I, Right) the 2 similarity parameter can
- a second degree of similarity parameters include, for example, may include a pupil center of the circle and the circle iris minimum distance is the minimum center distance difference parameter ( ⁇ ND min) of the distance between the centers.
- Processor 201 is, for example, the pupil circle determines the minimum distance of the distance between the center of the iris and the circle center and is able to obtain a minimum center distance difference parameter ( ⁇ ND min).
- the second similarity parameter may include, for example, a maximum center distance difference parameter? ND max , which is the maximum distance between distances between the center of the pupil circle and the center of the iris circle.
- the processor 201 may obtain the maximum center-distance difference parameter ([Delta] NDmax ), for example, by determining the maximum distance between the center of the pupil circle and the center of the iris circle.
- the minimum center distance difference parameter ( ⁇ ND min) and maximum center distance difference parameter ( ⁇ ND max) is determined as a parameter having the minimum distance and maximum distance of the distance difference parameter ( ⁇ ND) calculated according to the following formula, respectively.
- the second similarity parameter may include, for example, a radial difference average parameter (DELTA RI , avg ) that is an average of the normalized iris circle radius difference of the left eye and the normalized iris circle radius difference of the right eye.
- DELTA RI , avg radial difference average parameter
- the processor 201 may obtain a radius difference average parameter (DELTA RI , avg ) , for example, by averaging the difference between the normalized iris circle radius difference in the left eye and the normalized iris circle radius difference in the right eye.
- the radius difference average parameter (DELTA RI , avg ) can be calculated, for example, according to the following equation.
- the second similarity parameter may be, for example, a radius ratio difference average parameter (DELTA PIR avg ) which is an average of a ratio of the pupil circle radius of the left eye to the iris circle radius and a ratio difference of the pupil circle radius and the iris circle radius of the right eye, . ≪ / RTI >
- DELTA PIR avg a radius ratio difference average parameter
- the processor 201 obtains a radius ratio difference average parameter (DELTA PIR avg ) by, for example, obtaining an average of the ratio of the pupil circle radius to the iris circle radius in the left eye and the ratio difference between the pupil circle radius in the right eye and the iris circle radius Can be obtained.
- the radial ratio difference average parameter [Delta] PIR avg can be calculated, for example, according to the following equation.
- the processor 201 may calculate a similarity score using the first similarity parameter and the second similarity parameter.
- FIG. 7 is a flow diagram of a method for computing a first similarity parameter according to some embodiments.
- step S701 the processor 201 compares the iris code and the reference code to calculate the left-eye normalization hamming distance (HD Left ) and the right eye normalization hamming distance (HD Right ).
- the processor 201 compares, for example, a reference code (IrisCode Enrolled ) included in the previously stored reference iris data and a binary iris code (IrisCode Probe ) obtained from the image of the user's left and right eyes, The distance (HD Left ) and the right-eye normalized hamming distance (HD Right ) can be calculated.
- a reference code IrisCode Enrolled
- a binary iris code IrisCode Probe
- the processor 201 may be the right eye of bits used to compute the left the number of bits (BitCount Left) and right-eye normalized Hamming Distance (HD Right) that is used to calculate the left normalized Hamming Distance (HD Left) (BitCount Right) Can be determined.
- the bits used to compute each normalized hamming distance parameter may be, for example, a bit of iris-masked iris portion when registering an image that can obtain a greater amount of information in the authentication process when the user is finely- to be.
- step S703 the processor 201 calculates the first similarity parameter based on the left-eye normalization hamming distance HD Left , the right eye normalization hamming distance HD Right , the left eye bit count Left and the right eye bit count BitCount Right Can be generated.
- the first similarity parameter may include, for example, a Hamming distance difference parameter (HDnorm), which is a normalized difference of a left-eye normalization hamming distance (HD Left ) and a right eye normalization hamming distance (HD right ).
- HDnorm Hamming distance difference parameter
- the processor 201 may obtain the hamming distance difference parameter? HDnorm, for example, by normalizing the distance difference between the left- eye normalized hamming distance (HD left ) and the right-eye normalized hamming distance (HD right ).
- the Hamming distance difference parameter? HDnorm can be calculated according to the following equation, for example.
- the first similarity parameter may include, for example, a Hamming distance average parameter (HD avg ) which is an average of the left- eye normalization hamming distance (HD left ) and the right eye normalization hamming distance (HD right ).
- HD avg Hamming distance average parameter
- the processor 201 may obtain the hamming distance average parameter HD avg by , for example, obtaining an average of the left- eye normalized hamming distance HD left and the right-eye normalized hamming distance HD right .
- the Hamming distance average parameter (HD avg ) can be calculated, for example, according to the following equation.
- the first similarity parameter may also include a minimum total number of bits parameter (BitCount min ), which is the minimum total number of bits used in the calculation of the left- eye normalization hamming distance (HD left ) and the right eye normalization hamming distance (HD right ) .
- BitCount min a minimum total number of bits parameter
- the processor 201 obtains the minimum total number of bits used in the calculation of the left- eye normalized hamming distance (HD left ) and the right-eye normalized hamming distance (HD right ) to obtain the minimum total number of bits parameter (BitCount min ) .
- the minimum total number of bits parameter (BitCount min ) can be calculated according to the following equation, for example.
- the first likelihood parameter is, for example, the left eye normalized Hamming Distance (HD left) and the maximum number of total bits up to total bit number used for the calculation of the right-eye normalized Hamming Distance (HD right) include a parameter (BitCount max) .
- the processor 201 obtains the maximum total number of bits parameter (BitCount max ) by, for example, obtaining the maximum total number of bits used in the calculation of the left- eye normalized hamming distance (HD left ) and the right-eye normalized hamming distance (HD right ) .
- the maximum full bit number parameter (BitCount max ) can be calculated, for example, according to the following equation.
- MAX_BITS is the maximum number of bits usable in the representation of the binary iris code and can be set in advance based on experimental data.
- FIG. 8 is a diagram illustrating a method of calculating a similarity score using a first similarity parameter and a second similarity parameter.
- the processor 201 calculates a left eye iris code based on a left eye reference code (IrisCode Left Enrolled ) included in the previously stored reference iris data and a left eye iris code (IrisCode Left Probe ) obtained from an image of the user's left eye and right eye
- the left-eye normalized hamming distance (HD Left ) and the left-eye bit count (BitCount Left ) can be obtained (801).
- the processor 201 calculates the right eye normalization hamming distance based on the right eye reference code (IrisCode Right Enrolled ) included in the previously stored reference iris data and the right eye iris code (IrisCode Right Probe ) obtained from the image of the user's left eye and right eye, (HD Right ) and the right eye bit count (BitCount Right ) (802).
- the processor 201 generates the first similarity parameter based on the obtained left-eye normalized hamming distance HD Left , the number of left eye bits (BitCount Left ), the right eye normalized hamming distance (HD Right ), and the number of right eye bits (BitCount Right ) (821).
- a first similarity parameters include, for example, the left eye normalized Hamming Distance (HD Left) and right-eye normalized difference between the Hamming distance difference parameter ( ⁇ HDnorm), the left eye normalized Hamming Distance (HD left) normalization of the Hamming distance (HD right) and average Hamming distance average parameters of the right eye normalized Hamming distance (HD right) (HD avg) , the left eye normalized Hamming distance (HD left) and the minimum number of all the bits in the minimum total bit number used for the calculation of the right-eye normalized Hamming distance (HD right) (BitCount max ), which is the maximum total number of bits used in the calculation of the parameter (BitCount min ) and the left-eye normalized hamming distance (HD left ) and the right-eye normalized hamming distance (HD right ).
- the processor 201 may generate the second similarity parameter by comparing the reference feature included in the reference iris data stored in advance with the second iris feature obtained from the images of the left and right eyes of the user.
- the processor 201 calculates the left eye reference feature, i.e., the reference X-axis normalized distance parameter (NDX Left Enrolled ), the reference Y-axis normalized distance parameter (NDY Left Enrolled , PIR Left Enrolled , and Standard Iris Circle Radius Parameters (RI , Left Enrolled ), and the right eye reference feature, i.e., the reference X axis normalized distance parameter for the right eye (NDX Right Enrolled )
- the NDY Right Enrolled , PIR Right Enrolled , and Reference Iris Radius parameters (RI , Right Enrolled ) can be used (822).
- the processor 201 calculates an X-axis normalized distance parameter (NDX Left Probe ) for the left eye second iris feature, i.e., the left eye, obtained from the image of the user's left and right eyes, normalized distance parameter (NDY Left Probe), the circle radius ratio parameter (PIR Left Enrolled) and iris circle radius parameter (RI, Left Enrolled), and a right-eye second iris characteristics, that is, normalized distance X axis for the right-eye parameter (NDX Right Probe ), Y-axis normalized distance parameter (NDY Right Probe), can be used for the circle radius ratio parameter (PIR Right Enrolled) and iris parameter circle radius (R I, Right Enrolled) ( 822).
- the second similarity parameter e.g., the pupil center of the circle and the iris circle of maximum distance of the distance between the center distance a minimum distance which is the minimum center distance difference parameter ( ⁇ ND min), the pupil center of the circle and the iris circle center of between the maximum A center difference parameter (? ND max ), a normalized iris circle radius difference in the left eye, and a radius difference average parameter (? R I, avg ) which is an average of the normalized iris circle radius difference in the right eye, (PIR avg ), which is the average of the difference in the ratio of the radius of the pupil circle and the ratio of the pupil circle radius to the iris circle radius in the right eye.
- the processor 201 may calculate a similarity score based on the generated first similarity parameter and the second similarity parameter.
- the similarity score may be calculated, for example, according to the following formula using both the first similarity parameter and the second similarity parameter.
- Equation (11) S denotes a similarity score, ic denotes a bias coefficient, and w i (w 1 to w 8 ) denotes a weighting coefficient.
- the bias coefficient ic and the weighting coefficient w i may be empirically obtained using a logistic regression model for a training data set comprising, for example, a plurality of iris images of a user, And can be predetermined by experimental data under different capture conditions.
- FIG. 9 is a flow diagram illustrating a method for determining whether a user is authorized by comparing a similarity score and a threshold score in accordance with some embodiments.
- step S901 the processor 201 may obtain a first similarity parameter and a second similarity parameter, and in step S902, the processor 201 uses the acquired first similarity parameter and the second similarity parameter to calculate a similarity score Can be calculated.
- the processor 201 may compare the calculated similarity score with a predetermined threshold score.
- the threshold score can be preset, for example, based on experimental data for a previously performed test.
- the processor 201 can approve the user authentication in step S904.
- the processor 201 determines that the iris included in the reference iris data stored in advance and the iris obtained from the image for the left eye and the right eye in the user authentication process are equal to each other And approve the user authentication.
- the processor 201 may reject the user authentication in step S905.
- the processor 201 determines whether the iris included in the reference iris data stored in advance and the iris acquired from the image for the left eye and the right eye in the user authentication process are equal to each other And the user authentication can be denied.
- the user authentication approval condition of the authentication method using the consensus rule satisfies that the left-eye hamming distance (HD Left ) is less than a preset threshold value and the right-eye humming distance (HD Right ) is less than a preset threshold value.
- the user authentication approval condition of the authentication method using the minimum HD value selection rule is determined by determining the minimum value of the left-handed humming distance (HD Left ) and the right-eye humming distance (HD Right ) as the similarity score, Is less than the threshold value.
- the percentage of authentication errors that is, the False Non-Match Rate (FNMR) that recognizes the user as a person, and the False Match Rate (FMR)
- the ratio (FNMR at FMR? 10-7,%) was calculated.
- the percentage of authentication errors recorded when using the authentication method according to the consensus rule appears to be 3.59% higher compared to the results obtained when implementing the authentication method of this disclosure.
- the percentage of recorded authentication errors when using the authentication method according to the minimum HD value selection rule is 3.13% higher than the result obtained when implementing the authentication method of this disclosure.
- the authentication method of the present disclosure provides a more accurate result compared to an authentication method using consensus rules and an authentication method using a minimum HD value selection rule, unless the required computational resources are greatly increased.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
홍채 인식 기반 사용자 인증 장치 및 방법이 제공된다. 본 개시에 따른 홍채 인식 기반 사용자 인증 방법은, 사용자의 좌안 및 우안에 대한 이미지를 획득하는 단계; 상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하는 단계; 상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하는 단계; 상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하는 단계; 상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하는 단계; 및 상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 단계를 포함할 수 있다.
Description
본 발명은 현재 발명은 홍채 인식 기반 사용자 인증 장치 및 방법에 관한 것으로, 보다 구체적으로는 홍채의 일부가 가려진 사용자를 포함한 사용자에 대한 홍채를 인식하여 사용자 인증의 승인 여부를 결정하는 장치 및 방법에 관한 것이다.
생체 인식을 이용한 사용자 식별과 관련된 기술은 급속하게 발전하고 있는 기술 분야 중 하나이며, 특히 사용자의 생체 중 안구, 즉 홍채를 인식하고 식별하는 것이 사용자 인증에 사용되는 가장 효과적인 수단 중 하나이다.
그러나, 기존의 홍채 인식 방법은 신뢰할 수 있는 인식 결과를 얻기 위해 홍채의 충분한 면적(예를 들어, 40% 이상)에 대한 등록을 필요로 하며, 이때 홍채 영역은 사용자의 눈꺼풀뿐만 아니라, 사용자의 속눈썹 또는 안경 착용으로 인한 하이라이트에 의해 가려져서는 안 된다.
따라서 사용자는 다양한 외부 환경에서도 항상 신뢰할 수 있는 수준의 인증을 획득하기 위해 홍채 등록 및 인식 과정에서 눈을 크게 떠야만 한다. 이와 같은 다양한 외부 환경은 눈, 바람, 먼지, 안개, 연기 등의 다른 객체들로부터 직접 또는 간접적으로 반사되는 밝은 빛일 수 있으며, 또한 눈꺼풀 처짐과 같이 눈을 크게 뜨는 것이 어려운 질병일 수도 있다.
도 1은 일부 실시예에 따른 사용자의 눈 영역 이미지상의 홍채 및 동공 영역을 나타낸 도면이다.
도 1을 참조하면, 사용자의 눈 영역 이미지(10)는 크게 홍채 영역(101) 및 동공 영역(103)으로 구분될 수 있다. 기존의 홍채 인식 기술은 대부분 홍채 영역(101)에 대한 이미지 분석을 통해 홍채 특징, 즉 홍채 텍스처에 관한 특징을 추출하고, 추출된 홍채 특징을 미리 등록된 홍채 데이터와 비교하여 일치 여부를 확인한다. 여기서 텍스처는 이미지 패턴 방향 특성과 공간 주파수를 기술하는 통계적 지표로 특징되는 이미지 조각 또는 패턴을 의미한다.
사용자의 홍채는 대응하는 고유의 텍스처를 가지고 있으므로, 각 사용자는 자신의 홍채에 대한 이미지 캡처 및 분석을 통해 미리 홍채 데이터를 등록하고 관리하여 사용자 인증 수단으로 사용할 수 있다.
다시 도 1을 참조하면, 사용자가 눈을 크게 뜨고 있는 경우(12), 동공 영역(103)은 사용자의 눈꺼풀에 의해 가려지지 않으며, 홍채 영역(101)은 사용자의 눈꺼풀에 의해 일부 가려지나, 등록 및 인식에 필요한 충분한 면적이 노출된다.
반면, 사용자가 눈을 가늘게 뜨고 있는 경우(14), 동공 영역(103) 및 홍채 영역(101)은 사용자의 눈꺼풀에 의해 일부가 가려지며, 특히 홍채 영역(101)은 등록 및 인식에 필요한 충분한 면적이 노출되지 않아, 홍채 인식 및 사용자 인증에 어려움이 발생할 수 있다.
기존의 홍채 인식을 이용하는 생체 인식 시스템 중 하나는, 비교된 홍채 이미지들 사이의 유사도의 국소 밀도에 기초하여 신뢰 스코어를 결정함으로써 유사도 스코어 계산을 수정하고, 그 결과에 기초하여 비교된 홍채의 일치 여부를 판정하는 방식을 사용한다.
그러나, 이러한 방식에서는 이진(bianry) 홍채 표현에 관한 정보만이 사용되며, 신뢰 스코어를 결정하기 위한 부가적인 파라미터는 사용되지 않는다. 즉, 홍채 인식 과정에서 홍채 텍스처에 관한 파라미터(즉, 이진 홍채 표현)만이 사용되며, 한쪽 눈의 홍채에 관한 정보만이 사용되므로, 부분적으로 가려져 있는 눈의 인식에 관한 문제에 대한 해결책으로는 적합하지 않다.
기존의 홍채 인식을 이용하는 생체 인식 시스템 중 다른 하나는, 사용자의 눈 이미지에 대한 다수의 특징을 융합하는 인식 방식이다. 다수의 특징에는 홍채 텍스처에 관한 파라미터의 정보와 눈 색깔 및 눈 주변 영역에 대한 추가 정보가 모두 포함된다.
이러한 추가 정보를 사용하는 방식은, 인식 정확도를 높이기 위해 사용되므로 인식 시도 실패 횟수를 줄이는 데 사용될 수 있으나, 추가 정보 사용으로 인해 추가적인 연산 리소스의 사용이 요구되며, 한쪽 눈에 관한 정보만이 사용된다. 따라서, 부분적으로 가려져있는 눈의 인식에 관한 문제에 대한 해결책으로 적합하지 않다.
한편, 기존의 홍채 인식을 이용하는 생체 인식 시스템 중 또 다른 하나는, 인식 정확도를 향상시키기 위해 지문 인식과 얼굴 인식을 결합하는 방식을 사용한다. 이러한 방식에서, 얼굴 인식은 눈과 관련된 미리 정의된 특징에 따라 사용자의 두 눈 사이에서 연장되는 가상의 선을 사용하여, 헤드 경사각을 제거하는 방향으로 각도에 따라 좌측 및 우측 홍채 이미지를 회전할 수 있다. 회전에 따라 생성된 홍채 이미지는 등록 또는 인증에 사용될 수 있으며, 헤드 경사각은 이미지 속의 한쪽 눈과 관련된 미리 정의된 특징을 이용하여 결정될 수 있다.
이와 같은 방식에 따르면, 사용자 식별에 사용되는 두 눈의 홍채 유사도 점수를 기반으로 한 단일 통합 유사도 스코어가 생성되나, 통합된 유사도 스코어의 생성에 홏애에 대한 미터는 사용되지 않는다. 즉, 눈동자 간 거리(inter pupillary distance, IPD) 및 IPD 대 홍채 비와 같은 기하학적 파라미터는 미리 저장된 데이터베이스에서 적절한 템플릿의 추가 인식 또는 빠른 검색을 위한 홍채 이미지 품질 추정에 사용될 수 있으나, 통합 유사도 스코어의 계산에는 사용되지 않는다.
따라서, 이 방식 또한 부분적으로 가려져 있는 눈의 인식에 관한 문제에 대한 해결책으로 적합하지 않다.
일부 실시예는, 사용자의 좌안 및 우안의 홍채 및 동공에 대한 분석을 통해 홍채 인식의 정확도를 높일 수 있는, 홍채 인식 기반 사용자 인증 장치 및 방법을 제공할 수 있다.
또한, 일부 실시예는, 사용자의 동공 이미지 및 홍채 이미지의 분석을 통해 획득한 홍채의 기하학적 파라미터에 관한 정보를 사용하여 효율적으로 홍채 인식을 수행할 수 있는, 홍채 인식 기반 사용자 인증 장치 및 방법을 제공할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 사용자의 좌안 및 우안에 대한 이미지를 획득하는 단계; 상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하는 단계; 상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하는 단계; 상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하는 단계; 상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하는 단계; 및 상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 단계를 포함하는 홍채 인식 기반 사용자 인증 방법을 제공할 수 있다.
또한, 본 개시의 제2 측면은, 사용자의 좌안 및 우안에 대한 이미지를 획득하고, 상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하고, 상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하고, 상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하고, 상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하고, 상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 적어도 하나의 프로세서; 및 상기 기준 홍채 데이터를 저장하는 적어도 하나의 메모리;를 포함하는 홍채 인식 기반 사용자 인증 장치를 제공할 수 있다.
또한, 본 개시의 제3 측면은, 제1 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 포함하는 컴퓨터 프로그램 장치를 제공할 수 있다.
일부 실시예는, 사용자의 좌안 및 우안의 홍채 및 동공에 대한 분석을 통해 홍채 인식의 정확도를 높일 수 있는 효과가 있다.
또한, 일부 실시예는, 사용자의 동공 이미지 및 홍채 이미지의 분석을 통해 획득한 홍채의 기하학적 파라미터에 관한 정보를 사용하여 효율적으로 홍채 인식을 수행할 수 있는 효과가 있다.
도 1은 일부 실시예에 따른 사용자의 눈 영역 이미지상의 홍채 및 동공 영역을 나타낸 도면이다.
도 2는 일부 실시예에 따른 홍채 인식 기반 사용자 인증 장치의 예시를 나타낸 도면이다.
도 3은 본 개시의 일부 실시 예에 따른 홍채 인식 기반 사용자 인증 방법의 흐름도이다.
도 4는 본 개시의 일부 실시 예에 따른 제1 홍채 특징 및 제2 홍채 특징 획득 방법을 나타낸 도면이다.
도 5는 일부 실시예에 따른 좌표계 상의 동공 및 홍채의 위치를 나타낸 도면이다.
도 6은 일부 실시예에 따른 유사도 스코어를 계산하는 방법의 흐름도이다.
도 7은 일부 실시예에 따른 제1 유사도 파라미터를 계산하는 방법의 흐름도이다.
도 8은 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 계산하는 방법을 나타낸 도면이다.
도 9는 일부 실시예에 따른 유사도 스코어 및 임계 스코어를 비교하여 사용자 승인 여부를 결정하는 방법을 나타낸 흐름도이다.
본 개시의 일부 실시예에 따르면, 사용자의 좌안 및 우안에 대한 이미지를 획득하는 단계; 상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하는 단계; 상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하는 단계; 상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하는 단계; 상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하는 단계; 및 상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 단계를 포함하는 홍채 인식 기반 사용자 인증 방법을 제공할 수 있다.
또한, 본 개시의 일부 실시예에 따르면, 사용자의 좌안 및 우안에 대한 이미지를 획득하고, 상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하고, 상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하고, 상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하고, 상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하고, 상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 적어도 하나의 프로세서; 및 상기 기준 홍채 데이터를 저장하는 적어도 하나의 메모리;를 포함하는 홍채 인식 기반 사용자 인증 장치를 제공할 수 있다.
또한, 본 개시의 일부 실시예에 따르면, 제1 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 포함하는 컴퓨터 프로그램 장치를 제공할 수 있다.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 2는 일부 실시예에 따른 홍채 인식 기반 사용자 인증 장치의 예시를 나타낸 도면이다.
도 2를 참조하면, 홍채 인식 기반 사용자 인증 장치(20)는 사용자(2)의 좌안 및 우안에 대한 이미지(21)를 획득하여 사용자 인증을 수행할 수 있다.
일부 실시예에 따른 홍채 인식 기반 사용자 인증 장치(20)는 프로세서(201) 및 메모리(203)를 포함할 수 있다.
프로세서(201)는 사용자의 좌안 및 우안에 대한 이미지(21)를 획득할 수 있다.
프로세서(201)는, 예를 들어, 이미지 획득부를 통해 직접 사용자 이미지를 캡처하여 사용자의 좌안 및 우안에 대한 이미지(21)를 획득하거나, 다른 장치에 의하여 캡처된 사용자의 좌안 및 우안에 대한 이미지(21)를 다른 장치로부터 수신할 수 있다.
프로세서(201)는 사용자의 좌안 및 우안에 대한 이미지(21)에서 동공 이미지 및 홍채 이미지를 추출할 수 있다.
프로세서(201)는, 예를 들어, 사용자의 좌안 및 우안에 대한 이미지(21)로부터 좌안의 동공 이미지 및 홍채 이미지와 우안의 동공 이미지 및 홍채 이미지를 구분하여 획득할 수 있다.
프로세서(201)는 홍채 이미지를 분석하여 제1 홍채 특징을 획득할 수 있다. 프로세서(201)는, 예를 들어, 홍채에 대한 분할 및 정규화를 수행하여 제1 홍채 특징을 획득할 수 있다.
제1 홍채 특징은 홍채 텍스처 특징에 관한 정보를 포함할 수 있다. 제1 홍채 특징은, 예를 들어, 사용자의 좌안 및 우안에 대한 이미지(21)로부터 획득된 홍채 이미지를 분석하여 추출된 홍채 텍스처에 관한 정보를 포함할 수 있다. 제1 홍채 특징은, 예를 들어, 부호화되어 이진화된 홍채 코드로 변환될 수 있다.
프로세서(201)는 홍채 이미지 및 동공 이미지를 분석하여 제2 홍채 특징을 획득할 수 있다.
제2 홍채 특징은 사용자의 동공 위치 및 홍채 위치에 대한 기하학적 파라미터에 관한 정보를 포함할 수 있다. 제2 홍채 특징은, 예를 들어, 홍채 원 반경(RI), 동공 원 반경과 홍채 원 반경 사이의 비율(PIR), X축 정규화 거리(NDX) 및 Y축 정규화 거리(NDY)에 관한 정보를 포함할 수 있다.
여기서 홍채 원은 홍채에 외접하는 원 중 반경이 가장 작은 외접원을 의미하며, 동공 원은 동공에 외접하는 원 중 반경이 가장 작은 외접원을 의미한다.
프로세서(201)는 홍채 이미지를 분석하여 결정된 홍채 원 중심 좌표(XI, YI) 및 홍채 원 반경(RI)과, 동공 이미지를 분석하여 결정된 동공 원 중심 좌표(XP, YP) 및 동공 원 반경(RP)에 기초하여 제2 홍채 특징을 획득할 수 있다.
프로세서(201)는 제1 홍채 특징, 제2 홍채 특징 및 메모리(203)에 미리 저장된 기준 홍채 데이터에 기초하여 유사도 스코어를 획득할 수 있다.
프로세서(201)는 제1 홍채 특징에 대응하는 홍채 코드 및 메모리(203)에 미리 저장된 기준 홍채 데이터에 포함된 기준 코드를 비교하여 제1 유사도 파라미터를 생성할 수 있다.
한편, 프로세서(201)는 제2 홍채 특징 및 메모리(203)에 미리 저장된 기준 홍채 데이터에 포함된 기준 특징을 비교하여 제2 유사도 파라미터를 생성할 수 있다.
프로세서(201)는 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 획득할 수 있다. 프로세서(201)는, 예를 들어, 제1 유사도 파라미터 및 제2 유사도 파라미터를 미리 설정된 수식 및 파라미터 매핑 테이블 중 적어도 하나에 대입하여, 사용자 인증 승인 여부를 결정하기 위한 유사도 스코어를 획득할 수 있다.
프로세서(201)는 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정할 수 있다. 프로세서(201)는, 예를 들어, 획득한 유사도 스코어를 미리 설정된 임계 스코어와 비교하여 사용자 인증 승인 여부를 결정할 수 있다.
도 3은 본 개시의 일부 실시 예에 따른 홍채 인식 기반 사용자 인증 방법의 흐름도이다.
단계 S301에서 프로세서(201)는 사용자의 좌안 및 우안에 대한 이미지를 획득할 수 있다. 프로세서(201)는, 예를 들어, 이미지 획득부를 통해 직접 사용자 이미지를 캡처하여 사용자의 좌안 및 우안에 대한 이미지를 획득하거나, 다른 장치에 의하여 캡처된 사용자의 좌안 및 우안에 대한 이미지를 다른 장치로부터 수신할 수 있다.
단계 S302에서 프로세서(201)는 획득한 이미지에서 동공 이미지 및 홍채 이미지를 추출할 수 있다. 프로세서(201)는, 예를 들어, 사용자의 좌안 및 우안에 대한 이미지로부터 좌안의 동공 이미지 및 홍채 이미지와, 우안의 동공 이미지 및 홍채 이미지를 구분하여 획득할 수 있다.
프로세서(201)가 동공 이미지 및 홍채 이미지를 추출하는 구체적인 방법은 도 4의 실시예를 통해 후술한다.
단계 S303에서 프로세서(201)는 홍채 이미지를 분석하여 제1 홍채 특징을 획득할 수 있다. 프로세서(201)는, 예를 들어, 홍채에 대한 분할 및 정규화를 수행하여 제1 홍채 특징을 획득할 수 있다. 제1 홍채 특징은 홍채 텍스처 특징에 관한 정보를 포함할 수 있다. 제1 홍채 특징은, 예를 들어, 부호화되어 이진화된 홍채 코드로 변환될 수 있다.
단계 S304에서 프로세서(201)는 홍채 이미지 및 동공 이미지를 분석하여 제2 홍채 특징을 획득할 수 있다. 제2 홍채 특징은 사용자의 동공 위치 및 홍채 위치에 따른 기하학적 파라미터에 관한 정보를 포함할 수 있다. 제2 홍채 특징은, 예를 들어, 홍채 원 반경(RI), 동공 원 반경과 홍채 원 반경 사이의 비율(PIR), X축 정규화 거리(NDX) 및 Y축 정규화 거리(NDY)에 관한 정보를 포함할 수 있다.
프로세서(201)는 홍채 이미지를 분석하여 결정된 홍채 원 중심 좌표(XI, YI) 및 홍채 원 반경(RI)과, 동공 이미지를 분석하여 결정된 동공 원 중심 좌표(XP, YP) 및 동공 원 반경(RP)에 기초하여 제2 홍채 특징을 획득할 수 있다.
단계 S305에서 프로세서(201)는 제1 홍채 특징, 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초하여 유사도 스코어를 획득할 수 있다.
프로세서(201)는 제1 홍채 특징에 대응하는 홍채 코드 및 메모리(203)에 미리 저장된 기준 홍채 데이터에 포함된 기준 코드를 비교하여 제1 유사도 파라미터를 생성할 수 있다.
프로세서(201)는 좌안 정규화 해밍 거리(HDLeft), 우안 정규화 해밍 거리(HDRight), 좌안 비트 수(BitCountLeft) 및 우안 비트 수(BitCountRight)에 기초하여 제1 유사도 파라미터를 생성할 수 있다.
프로세서(201)는, 예를 들어, 제1 유사도 파라미터를 생성하기 위해 홍채 코드 및 미리 저장된 기준 코드를 비교하여, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산할 수 있다.
해밍 거리(Hamming distance, HD)는 같은 길이의 두 문자열에서, 같은 위치에서 서로 다른 기호들이 몇 개인지 나타내는 거리 함수로, 특히 이진화된 코드의 경우 해밍 거리는 비교될 각 이진화된 코드 사이의 불일치 비트의 수를 나타낸다.
프로세서(201)는, 예를 들어, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산하면서, 좌안 정규화 해밍 거리(HDLeft)를 계산하는데 사용되는 좌안 비트 수(BitCountLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산하는데 사용되는 우안 비트 수(BitCountRight)를 결정할 수 있다. 각 비트 수는 홍채 인식 과정에서 사용자의 눈꺼풀 등으로 인한 마스킹이 존재하지 않는 영역, 즉 노출 영역에 대한 비트 수와 대응된다.
제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDright)의 정규화된 차이인 해밍 거리 차이 파라미터(△HDnorm)를 포함할 수 있다.
제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 평균인 해밍 거리 평균 파라미터(HDavg)를 포함할 수 있다.
제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최소 전체 비트 수인 최소 전체 비트 수 파라미터(BitCountmin)를 포함할 수 있다.
제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최대 전체 비트 수인 최대 전체 비트 수 파라미터(BitCountmax)를 포함할 수 있다.
한편, 프로세서(201)는, 제2 홍채 특징 및 메모리(203)에 미리 저장된 기준 홍채 데이터에 포함된 기준 특징을 비교하여 제2 유사도 파라미터를 생성할 수 있다.
프로세서(201)는 좌안 및 우안에 대한 홍채 원 반경(RI), 동공 원 반경과 홍채 원 반경 사이의 비율(PIR), X축 정규화 거리(NDX) 및 Y축 정규화 거리(NDY)에 기초하여 제2 유사도 파라미터를 생성할 수 있다.
제2 유사도 파라미터는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최소 거리인 최소 중심 거리 차이 파라미터(△NDmin)를 포함할 수 있다.
제2 유사도 파라미터는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최대 거리인 최대 중심 거리 차이 파라미터(△NDmax)를 포함할 수 있다.
제2 유사도 파라미터는, 예를 들어, 좌안의 정규화된 홍채 원 반경 차이 및 우안의 정규화된 홍채 원 반경 차이의 평균인 반경 차이 평균 파라미터(△RI,avg)를 포함할 수 있다.
제2 유사도 파라미터는, 예를 들어, 좌안의 동공 원 반경과 홍채 원 반경의 비율 차이 및 우안의 동공 원 반경과 홍채 원 반경의 비율 차이의 평균인 반경 비율 차이 평균 파라미터(△PIRavg)를 포함할 수 있다.
프로세서(201)는 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 획득할 수 있다.
프로세서(201)는, 예를 들어, 해밍 거리 차이 파라미터(△HDnorm), 해밍 거리 평균 파라미터(HDavg), 최소 전체 비트 수 파라미터(BitCountmin) 및 최대 전체 비트 수 파라미터(BitCountmax)와 같은 복수의 파라미터를 포함하는 제1 유사도 파라미터 및 최소 중심 거리 차이 파라미터(△NDmin), 최대 중심 거리 차이 파라미터(△NDmax), 반경 차이 평균 파라미터(△RI,avg)및 반경 비율 차이 평균 파라미터(△PIRavg)와 같은 복수의 파라미터를 포함하는 제2 유사도 파라미터를 사용하여 유사도 스코어를 획득할 수 있다.
프로세서(201)가 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 획득하는 구체적인 방법은 도 8의 실시예를 통해 후술한다.
단계 S306에서 프로세서(201)는 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정할 수 있다. 프로세서(201)는, 예를 들어, 획득한 유사도 스코어를 미리 설정된 임계 스코어와 비교하여 사용자 인증 승인 여부를 결정할 수 있다.
프로세서(201)가 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 구체적인 방법은 도 9의 실시예를 통해 후술한다.
도 4는 본 개시의 일부 실시 예에 따른 제1 홍채 특징 및 제2 홍채 특징 획득 방법을 나타낸 도면이다.
참고로, 본 개시의 파라미터 표시 방식에 있어서, 위 첨자 "Enrolled"는 미리 저장된 기준 홍채 데이터로부터 획득된 파라미터를 의미하고, 위 첨자 "Probe"는 인증 수행 중에 사용자의 좌안 및 우안에 대한 이미지로부터 획득된 파라미터를 의미한다. 또한, 아래 첨자 "Left"는 좌안에 대하여 획득된 파라미터를, 아래 첨자 "Right"는 우안에 대해서 획득된 파라미터를 나타낸다.
프로세서(201)는, 예를 들어, 적외선 카메라(401)와 같은 외부 장치를 통해 캡처된 사용자 이미지를 수신할 수 있으며, 프로세서(201)는 수신한 사용자 이미지로부터 사용자의 좌안 및 우안에 대한 이미지를 획득(402)할 수 있다.
사용자의 좌안 및 우안에 대한 이미지를 획득하면, 프로세서(201)는 좌안 및 우안에 대한 제1 홍채 특징 및 제2 홍채 특징을 획득하기 위하여, 이미지상의 좌안 영역과 우안 영역을 서로 구분하여 별도로 특징을 획득할 수 있다(41, 43).
프로세서(201)가 좌안 영역의 특징을 획득하는 과정(41)에서 다음과 같은 복수의 단계가 수행될 수 있다.
프로세서(201)는, 예를 들어, 이미지상의 좌안 동공을 검출하고, 검출된 좌안 동공 원의 반경 및 중심 좌표를 결정할 수 있다. 프로세서(201)는 좌안 동공 검출을 통해 좌안 동공 이미지를 획득할 수 있다.
좌안 동공 원의 반경 및 중심 좌표가 결정되면, 프로세서(201)는 좌안 홍채 분할을 수행할 수 있다. 좌안 홍채 분할은, 예를 들어, 좌안 동공과 좌안 홍채의 경계를 결정하는 과정을 포함할 수 있다. 좌안 홍채 분할은, 예를 들어, 이미지 세그멘테이션 알고리즘을 사용하여 수행될 수 있다.
프로세서(201)는 좌안 홍채 분할을 통해 좌안 홍채 이미지를 획득할 수 있으며, 좌안 홍채 원의 반경 및 중심 좌표를 결정할 수 있다.
좌안 홍채 분할 후, 프로세서(201)는 좌안 홍채 이미지를 정규화할 수 있다. 좌안 홍채 이미지 정규화는, 예를 들어, 좌안 홍채 이미지의 픽셀을 극 좌표로부터 선형 좌표로 변환하는 것으로 정의될 수 있으며, 좌안 홍채 이미지의 픽셀들은 정규화를 통해 원형 위치(circular location)로부터 직사각형 행렬 위치로 이동될 수 있다.
프로세서(201)는 정규화된 좌안 홍채 이미지로부터 좌안 제1 홍채 특징을 추출할 수 있다(413). 프로세서(201)는 추출한 좌안 제1 홍채 특징에 대한 부호화를 통해 이진화된 좌안 홍채 코드를 생성할 수 있다.
한편, 프로세서(201)는 좌안 동공 탐지 과정에서 획득한 좌안 동공 이미지에 대한 정보 및 좌안 홍채 분할 과정에서 획득한 좌안 홍채 이미지에 대한 정보에 기초하여 좌안 제2 홍채 특징을 획득(411)할 수 있다.
프로세서(201)는, 예를 들어, 좌안 홍채 이미지를 분석하여 결정된 좌안 홍채 원 중심 좌표(XI,Left, YI,Left) 및 좌안 홍채 원 반경(RI,Left)과, 좌안 동공 이미지를 분석하여 결정된 좌안 동공 원 중심 좌표(XP,Left
, YP,Left) 및 좌안 동공 원 반경(RP)에 기초하여 좌안 제2 홍채 특징을 획득(411)할 수 있다.
좌안 제2 홍채 특징은, 예를 들어, 좌안 홍채 원 반경(RI,Left), 좌안 동공 원 반경과 좌안 홍채 원 반경 사이의 비율(PIRLeft), 좌안 X축 정규화 거리(NDXLeft) 및 좌안 Y축 정규화 거리(NDYLeft)와 같은 동공 및 홍채의 위치에 대한 정보를 포함할 수 있다.
우안 이미지 프로세싱은 좌안 이미지 프로세싱과 유사한 단계들을 포함한다. 프로세서(201)가 우안 영역을 처리하는 과정(43)에서 다음과 같은 복수의 단계가 수행될 수 있다.
프로세서(201)는, 예를 들어, 이미지상의 우안 동공을 검출하고, 검출된 우안 동공 원의 반경 및 중심 좌표를 결정할 수 있다. 프로세서(201)는 우안 동공 검출을 통해 우안 동공 이미지를 획득할 수 있다.
우안 동공 원의 반경 및 중심 좌표가 결정되면, 프로세서(201)는 우안 홍채 분할을 수행할 수 있다. 우안 홍채 분할은, 예를 들어, 우안 동공과 우안 홍채의 경계를 결정하는 과정을 포함할 수 있다. 우안 홍채 분할은, 예를 들어, 이미지 세그멘테이션 알고리즘을 사용하여 수행될 수 있다.
프로세서(201)는 우안 홍채 분할을 통해 우안 홍채 이미지를 획득할 수 있으며, 우안 홍채 원의 반경 및 중심 좌표를 결정할 수 있다.
우안 홍채 분할 후, 프로세서(201)는 우안 홍채 이미지를 정규화할 수 있다. 우안 홍채 이미지 정규화는, 예를 들어, 우안 홍채 이미지의 픽셀을 극 좌표로부터 선형 좌표로 변환하는 것으로 정의될 수 있으며. 우안 홍채 이미지의 픽셀들은 정규화를 통해 원형 위치로부터 직사각형 행렬 위치로 이동될 수 있다.
프로세서(201)는 정규화된 우안 홍채 이미지로부터 우안 제1 홍채 특징을 추출할 수 있다(433). 프로세서(201)는 추출한 우안 제1 홍채 특징에 대한 부호화를 통해 이진화된 우안 홍채 코드를 생성할 수 있다.
한편, 프로세서(201)는 우안 동공 탐지 과정에서 획득한 우안 동공 이미지에 대한 정보 및 우안 홍채 분할 과정에서 획득한 우안 홍채 이미지에 대한 정보에 기초하여 우안 제2 홍채 특징을 획득(431)할 수 있다.
프로세서(201)는, 예를 들어, 우안 홍채 이미지를 분석하여 결정된 우안 홍채 원 중심 좌표(XI,Right, YI,Right) 및 우안 홍채 원 반경(RI,Right)과, 우안 동공 이미지를 분석하여 결정된 우안 동공 원 중심 좌표(XP,Right
, YP,Right) 및 우안 동공 원 반경(RP,Right)에 기초하여 우안 제2 홍채 특징을 획득(431)할 수 있다.
우안 제2 홍채 특징은, 예를 들어, 우안 홍채 원 반경(RI,Right), 우안 동공 원 반경과 우안 홍채 원 반경 사이의 비율(PIRRight), 우안 X축 정규화 거리(NDXRight) 및 우안 Y축 정규화 거리(NDYRight)와 같은 동공 및 홍채의 위치에 대한 정보를 포함할 수 있다.
좌안 및 우안의 동공 및 홍채의 기하학적 파라미터에 관한 정보를 획득하는 방법에 대해서는 도 5를 통해 후술한다.
프로세서(201)는 좌안 및 우안에 대하여 획득한 제1 홍채 특징 및 제2 홍채 특징을 메모리(203)에 저장된 데이터베이스(405)의 기준 홍채 데이터와 비교하여 사용자 인증 승인 여부를 결정(403)할 수 있다.
도 5는 일부 실시예에 따른 좌표계 상의 동공 및 홍채의 위치를 나타낸 도면이다.
도 5를 참조하면, X축 및 Y축을 갖는 좌표계 상의 동공 및 홍채의 위치가 도시되어 있으며, 각 위치에 대응하는 파라미터가 나타나 있다. 일반적으로 사용자의 홍채와 동공의 중심은 일치하지 않으므로, 프로세서(201)는 홍채와 동공이 각각 근사 되는 외접원, 즉 홍채 원(53)과 동공 원(51)을 사용하여 파라미터를 생성할 수 있다.
동공에 외접하는 동공 원(51)은 반경 RP와 중심 좌표 (XP, YP)를 가지며, 홍채에 외접하는 홍채 원(53)은 반경 RI와 중심 좌표 (XI, YI)를 갖는다. 동공 원(51) 및 홍채 원(53)에 대한 각 파라미터는 제2 홍채 특징, 즉 홍채 원 반경(RI), 동공 원 반경과 홍채 원 반경 사이의 비율(PIR), X축 정규화 거리(NDX) 및 Y축 정규화 거리(NDY)와 같은 복수의 파라미터의 생성에 사용될 수 있다. 제2 홍채 특징은 미리 저장된 기준 홍채 데이터에 포함된 기준 특징과 비교되어 제2 유사도 파라미터의 생성에 사용될 수 있다.
이처럼 제2 홍채 특징은 제1 홍채 특징 및 홍채 코드를 얻는 동안 결정되었던 동공 및 홍채의 크기 및 위치에 관한 정보에 기초하여 계산되고, 계산 공식은 계산적으로 단순하기 때문에, 데이터의 처리에 많은 양의 연산 리소스를 요구하지 않는다.
도 6은 일부 실시예에 따른 유사도 스코어를 계산하는 방법의 흐름도이다.
단계 S601에서, 프로세서(201)는 제1 홍채 특징에 대응하는 홍채 코드 및 미리 저장된 기준 홍채 데이터에 포함된 기준 코드를 비교하여 제1 유사도 파라미터를 생성할 수 있다. 단계 S601의 제1 유사도 파라미터 생성 방법의 구체적인 내용은 도 7의 실시예에 기초하여 후술한다.
단계 S602에서, 프로세서(201)는 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 포함된 기준 특징을 비교하여 제2 유사도 파라미터를 생성할 수 있다.
프로세서(201)는 홍채 이미지를 분석하여 결정된 홍채 원 중심 좌표(XI, YI) 및 홍채 원 반경(RI)과, 동공 이미지를 분석하여 결정된 동공 원 중심 좌표(XP, YP) 및 동공 원 반경(RP)에 기초하여 제2 홍채 특징을 획득할 수 있다.
프로세서(201)가 홍채 이미지 및 좌안 동공 이미지를 분석하여 획득한 제2 홍채 특징은, 예를 들어, 좌안에 대한 X축 정규화 거리(NDXLeft), Y축 정규화 거리(NDYLeft), 원 반경 비율(PIRLeft) 및 홍채 원 반경(RI,Left)에 대한 정보를 포함할 수 있다.
또한, 프로세서(201)가 홍채 이미지 및 좌안 동공 이미지를 분석하여 획득한 제2 홍채 특징은, 예를 들어, 우안에 대한 X축 정규화 거리(NDXRight), Y축 정규화 거리(NDYRight), 원 반경 비율(PIRRight) 및 홍채 원 반경(RI,Right)에 대한 정보를 포함할 수 있다.
X축 정규화 거리(NDX)는 X축을 따른 정규화 거리를 나타내며, 다음 수식에 따라 계산된다.
여기서, XI는 홍채 원 중심 좌표의 X축 성분을, XP는 동공 원 중심 좌표의 X축 성분을, RI는 홍채 원 반경을 나타낸다.
한편, Y축 정규화 거리(NDY)는 Y축을 따른 정규화 거리를 나타내며, 다음 수식에 따라 계산된다.
여기서, YI는 홍채 원 중심 좌표의 Y축 성분을, XP는 동공 원 중심 좌표의 X축 성분을, RI은 홍채 원 반경을 나타낸다.
또한, 원 반경 비율(PIR)은 좌안 및 우안의 홍채 원 반경(RI) 및 동공 원 반경(RP) 간 비율을 나타내며, 다음 수식에 따라 계산된다.
프로세서(201)는 인증을 수행하는 동안 획득된 제2 홍채 특징, 즉 좌안에 대한 X축 정규화 거리(NDXLeft), Y축 정규화 거리(NDYLeft), 원 반경 비율(PIRLeft) 및 홍채 원 반경(RI,Left)과, 우안에 대한 X축 정규화 거리(NDXRight), Y축 정규화 거리(NDYRight), 원 반경 비율(PIRRight) 및 홍채 원 반경(RI,Right)에 기초하여 제2 유사도 파라미터를 획득할 수 있다.
제2 유사도 파라미터는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최소 거리인 최소 중심 거리 차이 파라미터(△NDmin)를 포함할 수 있다. 프로세서(201)는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최소 거리를 결정하여 최소 중심 거리 차이 파라미터(△NDmin)를 획득할 수 있다.
한편, 제2 유사도 파라미터는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최대 거리인 최대 중심 거리 차이 파라미터(△NDmax)를 포함할 수 있다. 프로세서(201)는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최대 거리를 결정하여 최대 중심 거리 차이 파라미터(△NDmax)를 획득할 수 있다.
최소 중심 거리 차이 파라미터(△NDmin)와 최대 중심 거리 차이 파라미터(△NDmax)는 각각 다음 수식에 따라 계산된 거리 차이 파라미터(△ND)중 최소 거리 및 최대 거리를 갖는 파라미터로 결정된다.
또한, 제2 유사도 파라미터는, 예를 들어, 좌안의 정규화된 홍채 원 반경 차이 및 우안의 정규화된 홍채 원 반경 차이의 평균인 반경 차이 평균 파라미터(△RI,avg)를 포함할 수 있다.
프로세서(201)는, 예를 들어, 좌안의 정규화된 홍채 원 반경 차이 및 우안의 정규화된 홍채 원 반경 차이의 평균을 구하여 반경 차이 평균 파라미터(△RI,avg)를 획득할 수 있다. 반경 차이 평균 파라미터(△RI,avg)는, 예를 들어, 다음의 수식에 따라 계산될 수 있다.
또한, 제2 유사도 파라미터는, 예를 들어, 좌안의 동공 원 반경과 홍채 원 반경의 비율 차이 및 우안의 동공 원 반경과 홍채 원 반경의 비율 차이의 평균인 반경 비율 차이 평균 파라미터(△PIRavg)를 포함할 수 있다.
프로세서(201)는, 예를 들어, 좌안의 동공 원 반경과 홍채 원 반경의 비율 차이 및 우안의 동공 원 반경과 홍채 원 반경의 비율 차이의 평균을 구하여 반경 비율 차이 평균 파라미터(△PIRavg)를 획득할 수 있다. 반경 비율 차이 평균 파라미터(△PIRavg)는, 예를 들어, 다음의 수식에 따라 계산될 수 있다.
다시 도 6을 참조하면, 단계 S603에서, 프로세서(201)는 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 계산할 수 있다.
도 7은 일부 실시예에 따른 제1 유사도 파라미터를 계산하는 방법의 흐름도이다.
단계 S701에서, 프로세서(201)는 홍채 코드 및 기준 코드를 비교하여, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산할 수 있다.
프로세서(201)는, 예를 들어, 미리 저장된 기준 홍채 데이터에 포함된 기준 코드(IrisCodeEnrolled) 및 사용자의 좌안 및 우안에 대한 이미지로부터 획득된 이진 홍채 코드(IrisCodeProbe)를 비교하여, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산할 수 있다.
단계 S702에서, 프로세서(201)는 좌안 정규화 해밍 거리(HDLeft)를 계산하는데 사용되는 좌안 비트 수(BitCountLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산하는데 사용되는 우안 비트 수(BitCountRight)를 결정할 수 있다.
각 정규화 해밍 거리 파라미터를 계산하는 데 사용되는 비트는, 예를 들어, 사용자가 눈을 가늘게 뜬 경우의 인증 과정에서 더 많은 양의 정보를 얻을 수 있는 이미지를 등록할 때 마스킹 되지 않은 홍채 부분의 비트이다.
단계 S703에서, 프로세서(201)는 좌안 정규화 해밍 거리(HDLeft), 우안 정규화 해밍 거리(HDRight), 좌안 비트 수(BitCountLeft) 및 우안 비트 수(BitCountRight)에 기초하여 제1 유사도 파라미터를 생성할 수 있다.
제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDright)의 정규화된 차이인 해밍 거리 차이 파라미터(△HDnorm)를 포함할 수 있다.
프로세서(201)는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright) 간 거리 차이를 정규화하여 해밍 거리 차이 파라미터(△HDnorm)를 획득할 수 있다. 해밍 거리 차이 파라미터(△HDnorm)는, 예를 들어, 다음의 수식에 따라 계산될 수 있다.
또한, 제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 평균인 해밍 거리 평균 파라미터(HDavg)를 포함할 수 있다.
프로세서(201)는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 평균을 구하여 해밍 거리 평균 파라미터(HDavg)를 획득할 수 있다. 해밍 거리 평균 파라미터(HDavg)는, 예를 들어, 다음의 수식에 따라 계산될 수 있다.
또한, 제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최소 전체 비트 수인 최소 전체 비트 수 파라미터(BitCountmin)를 포함할 수 있다.
프로세서(201)는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최소 전체 비트 수를 구하여 최소 전체 비트 수 파라미터(BitCountmin)를 획득할 수 있다. 최소 전체 비트 수 파라미터(BitCountmin)는, 예를 들어, 다음의 수식에 따라 계산될 수 있다.
또한, 제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최대 전체 비트 수인 최대 전체 비트 수 파라미터(BitCountmax)를 포함할 수 있다.
프로세서(201)는, 예를 들어, 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최대 전체 비트 수를 구하여 최대 전체 비트 수 파라미터(BitCountmax)를 획득할 수 있다. 최대 전체 비트 수 파라미터(BitCountmax)는, 예를 들어, 다음의 수식에 따라 계산될 수 있다.
상기 [수학식 9] 및 [수학식 10]에서 MAX_BITS는 이진 홍채 코드의 표현에 사용 가능한 최대 비트 수이며, 실험 데이터에 기초하여 미리 설정될 수 있다.
도 8은 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 계산하는 방법을 나타낸 도면이다.
도 8을 참조하면, 프로세서(201)는 미리 저장된 기준 홍채 데이터에 포함된 좌안 기준 코드(IrisCodeLeft
Enrolled) 및 사용자의 좌안 및 우안에 대한 이미지로부터 획득된 좌안 홍채 코드(IrisCodeLeft
Probe)에 기초하여 좌안 정규화 해밍 거리(HDLeft) 및 좌안 비트 수(BitCountLeft)를 획득할 수 있다(801).
또한, 프로세서(201)는 미리 저장된 기준 홍채 데이터에 포함된 우안 기준 코드(IrisCodeRight
Enrolled) 및 사용자의 좌안 및 우안에 대한 이미지로부터 획득된 우안 홍채 코드(IrisCodeRight
Probe)에 기초하여 우안 정규화 해밍 거리(HDRight) 및 우안 비트 수(BitCountRight)를 획득할 수 있다(802).
프로세서(201)는 획득한 좌안 정규화 해밍 거리(HDLeft), 좌안 비트 수(BitCountLeft), 우안 정규화 해밍 거리(HDRight) 및 우안 비트 수(BitCountRight)에 기초하여 제1 유사도 파라미터를 생성할 수 있다(821).
제1 유사도 파라미터는, 예를 들어, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDright)의 정규화된 차이인 해밍 거리 차이 파라미터(△HDnorm), 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 평균인 해밍 거리 평균 파라미터(HDavg), 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최소 전체 비트 수인 최소 전체 비트 수 파라미터(BitCountmin) 및 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최대 전체 비트 수인 최대 전체 비트 수 파라미터(BitCountmax)를 포함할 수 있다.
한편, 프로세서(201)는 미리 저장된 기준 홍채 데이터에 포함된 기준 특징과 사용자의 좌안 및 우안에 대한 이미지로부터 획득된 제2 홍채 특징을 비교하여 제2 유사도 파라미터를 생성할 수 있다.
프로세서(201)는 제2 유사도 파라미터를 생성하기 위해, 미리 저장된 기준 홍채 데이터에 포함된 좌안 기준 특징, 즉 좌안에 대한 기준 X축 정규화 거리 파라미터(NDXLeft
Enrolled), 기준 Y축 정규화 거리 파라미터(NDYLeft
Enrolled), 기준 원 반경 비율 파라미터(PIRLeft
Enrolled) 및 기준 홍채 원 반경 파라미터(RI,Left
Enrolled)와, 우안 기준 특징, 즉 우안에 대한 기준 X축 정규화 거리 파라미터(NDXRight
Enrolled), 기준 Y축 정규화 거리 파라미터(NDYRight
Enrolled), 기준 원 반경 비율 파라미터(PIRRight
Enrolled) 및 기준 홍채 원 반경 파라미터(RI,Right
Enrolled)를 사용할 수 있다(822).
또한, 프로세서(201)는 제2 유사도 파라미터를 생성하기 위해, 사용자의 좌안 및 우안에 대한 이미지로부터 획득된 좌안 제2 홍채 특징, 즉 좌안에 대한 X축 정규화 거리 파라미터(NDXLeft
Probe), Y축 정규화 거리 파라미터(NDYLeft
Probe), 원 반경 비율 파라미터(PIRLeft
Enrolled) 및 홍채 원 반경 파라미터(RI,Left
Enrolled)와, 우안 제2 홍채 특징, 즉 우안에 대한 X축 정규화 거리 파라미터(NDXRight
Probe), Y축 정규화 거리 파라미터(NDYRight
Probe), 원 반경 비율 파라미터(PIRRight
Enrolled) 및 홍채 원 반경 파라미터(RI,Right
Enrolled)를 사용할 수 있다(822).
제2 유사도 파라미터는, 예를 들어, 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최소 거리인 최소 중심 거리 차이 파라미터(△NDmin), 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최대 거리인 최대 중심 거리 차이 파라미터(△NDmax), 좌안의 정규화된 홍채 원 반경 차이 및 우안의 정규화된 홍채 원 반경 차이의 평균인 반경 차이 평균 파라미터(△RI,avg) 및 좌안의 동공 원 반경과 홍채 원 반경의 비율 차이 및 우안의 동공 원 반경과 홍채 원 반경의 비율 차이의 평균인 반경 비율 차이 평균 파라미터(△PIRavg)를 포함할 수 있다.
프로세서(201)는 생성된 제1 유사도 파라미터 및 제2 유사도 파라미터에 기초하여 유사도 스코어를 계산할 수 있다. 유사도 스코어는, 예를 들어, 제1 유사도 파라미터 및 제2 유사도 파라미터를 모두 사용하는 다음의 공식에 따라 계산될 수 있다.
상기 [수학식 11]에서, S는 유사도 스코어를, ic는 바이어스 계수를, wi(w1 내지 w8)는 가중 계수를 나타낸다. 바이어스 계수 ic 및 가중 계수 wi는, 예를 들어, 사용자의 복수의 홍채 이미지를 포함하는 트레이닝 데이터 세트에 대한 로지스틱 회귀(logistic regression) 모델을 사용하여 경험적으로 획득될 수 있으며, 사용자로부터 다른 거리 및 다른 캡처 조건에서의 실험 데이터에 의해 미리 결정될 수 있다.
도 9는 일부 실시예에 따른 유사도 스코어 및 임계 스코어를 비교하여 사용자 승인 여부를 결정하는 방법을 나타낸 흐름도이다.
단계 S901에서, 프로세서(201)는 제1 유사도 파라미터 및 제2 유사도 파라미터를 획득할 수 있고, 단계 S902에서, 프로세서(201)는 획득한 제1 유사도 파라미터 및 제2 유사도 파라미터를 사용하여 유사도 스코어를 계산할 수 있다.
단계 S903에서, 프로세서(201)는 계산된 유사도 스코어를 미리 설정된 임계 스코어와 비교할 수 있다. 임계 스코어는, 예를 들어, 미리 수행된 테스트에 대한 실험 데이터에 기초하여 미리 설정될 수 있다.
비교 결과, 계산된 유사도 스코어가 미리 설정된 임계 스코어 미만이면, 프로세서(201)는 단계 S904에서 사용자 인증을 승인할 수 있다.
프로세서(201)는, 예를 들어, 계산된 유사도 스코어가 미리 설정된 임계 스코어 미만이면, 미리 저장된 기준 홍채 데이터에 포함된 홍채와 사용자 인증 과정에서 좌안 및 우안에 대한 이미지로부터 획득된 홍채가 서로 동일한 것으로 판단하고 사용자 인증을 승인할 수 있다.
반대로, 비교 결과, 계산된 유사도 스코어가 미리 설정된 임계 스코어 이상이면, 프로세서(201)는 단계 S905에서 사용자 인증을 거부할 수 있다.
프로세서(201)는, 예를 들어, 계산된 유사도 스코어가 미리 설정된 임계 스코어 이상이면, 미리 저장된 기준 홍채 데이터에 포함된 홍채와 사용자 인증 과정에서 좌안 및 우안에 대한 이미지로부터 획득된 홍채가 서로 동일하지 않은 것으로 판단하고 사용자 인증을 거부할 수 있다.
본 개시의 인증 방법의 정확성을 결정하기 위하여, 사용자의 눈을 가리고 사용자를 인증하는 제안 된 방법에 관한 일련의 테스트가 수행되었으며, 특히 실내 공간에서 안경을 착용하지 않은 사용자에 관한 검사가 진행되었다.
제안된 방법과의 비교를 위해 컨센서스 규칙을 사용하는 인증 방법, 최소 HD 값 선택 규칙을 사용하는 인증 방법이 추가로 수행되었다.
컨센서스 규칙을 사용하는 인증 방법의 사용자 인증 승인 조건은, 좌안 해밍 거리(HDLeft)가 미리 설정된 임계치 미만이고, 우안 해밍 거리(HDRight)가 미리 설정된 임계치 미만일 것을 만족하는 것이다.
한편, 최소 HD 값 선택 규칙을 사용하는 인증 방법의 사용자 인증 승인 조건은, 좌안 해밍 거리(HDLeft) 및 우안 해밍 거리(HDRight) 중 최소 값을 유사도 스코어로 결정하고, 결정된 유사도 스코어가 미리 설정된 임계치 미만일 것을 만족하는 것이다.
각각의 인증 방법에 대해, 인증 오류의 백분율, 즉 사용자를 타인으로 인식하는 오비합치율(False Non-Match Rate, FNMR) 및 타인을 사용자로 인식하는 오합치율(False Match Rate, FMR) 간 양적 비율(FNMR at FMR ≒ 10-7, %)이 계산되었다.
수행된 테스트에 따르면, 컨센서스 규칙에 따른 인증 방법을 사용할 때 기록된 인증 오류의 백분율은 본 개시의 인증 방법을 구현할 때 얻은 결과와 비교하여 3.59 % 더 높게 나타난다.
한편, 최소 HD 값 선택 규칙에 따른 인증 방법을 사용할 때 기록된 인증 오류의 백분율은 본 개시의 인증 방법을 구현할 때 얻어진 결과와 비교하여 3.13 % 더 높게 나타난다.
따라서, 본 개시의 인증 방법은, 요구되는 계산 자원을 크게 증가시키지 않으면 컨센서스 규칙을 사용하는 인증 방법 및 최소 HD 값 선택 규칙을 사용하는 인증 방법과 비교하여 보다 정확한 결과를 나타낸다.
당해 기술 분야의 숙련자는 장치의 구조적 요소 또는 구성 요소의 수가 필요에 따라 변경될 수 있음을 이해할 것이다. 또한, 당업자는 제시된 장치 블록 배열이 예시적인 것이며, 필요에 따라, 설명이 특별히 다르게 언급하지 않는 한, 특정 애플리케이션에서 더 큰 효율을 달성하기 위해 변경될 수 있음을 이해해야 한다. 단수로 시스템 요소를 나타내는 것은 명시적으로 다르게 언급되지 않는 한 그러한 복수의 요소를 배제하지 않는다.
본 발명의 예시적인 실시 예가 본 명세서에 도시되어 있지만, 본 발명의 보호 범위를 벗어나지 않고 첨부된 청구 범위에 정의된 바와 같이 본 발명의 보호 범위를 벗어나지 않는 다양한 변형 및 수정이 가해질 수 있음을 이해해야 한다.
Claims (15)
- 홍채 인식 기반 사용자 인증 방법에 있어서,사용자의 좌안 및 우안에 대한 이미지를 획득하는 단계;상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하는 단계;상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하는 단계;상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하는 단계;상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하는 단계; 및상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 단계를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제1항에 있어서,상기 유사도 스코어를 계산하는 단계는상기 제1 홍채 특징에 대응하는 홍채 코드 및 상기 미리 저장된 기준 홍채 데이터에 포함된 기준 코드를 비교하여 제1 유사도 파라미터를 생성하는 단계;상기 제2 홍채 특징 및 상기 미리 저장된 기준 홍채 데이터에 포함된 기준 특징을 비교하여 제2 유사도 파라미터를 생성하는 단계; 및상기 제1 유사도 파라미터 및 상기 제2 유사도 파라미터를 사용하여 상기 유사도 스코어를 획득하는 단계;를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제2항에 있어서,상기 제1 유사도 파라미터를 생성하는 단계는상기 홍채 코드 및 상기 기준 코드를 비교하여, 좌안 정규화 해밍 거리(HDLeft) 및 우안 정규화 해밍 거리(HDRight)를 계산하는 단계;상기 좌안 정규화 해밍 거리(HDLeft)를 계산하는데 사용되는 좌안 비트 수(BitCountLeft) 및 상기 우안 정규화 해밍 거리(HDRight)를 계산하는데 사용되는 우안 비트 수(BitCountRight)를 결정하는 단계; 및상기 좌안 정규화 해밍 거리(HDLeft), 상기 우안 정규화 해밍 거리(HDRight), 상기 좌안 비트 수(BitCountLeft) 및 상기 우안 비트 수(BitCountRight)에 기초하여 상기 제1 유사도 파라미터를 생성하는 단계;를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제2항에 있어서,상기 제2 유사도 파라미터는좌안 및 우안에 대한 홍채 원 반경(RI), 동공 원 반경과 홍채 원 반경 사이의 비율(PIR), X축 정규화 거리(NDX) 및 Y축 정규화 거리(NDY)에 기초하여 생성되는홍채 인식 기반 사용자 인증 방법.
- 제3항에 있어서,상기 제1 유사도 파라미터는상기 좌안 정규화 해밍 거리(HDLeft) 및 상기 우안 정규화 해밍 거리(HDright)의 정규화된 차이인 해밍 거리 차이 파라미터(△HDnorm)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제3항에 있어서,상기 제1 유사도 파라미터는상기 좌안 정규화 해밍 거리(HDleft) 및 상기 우안 정규화 해밍 거리(HDright)의 평균인 해밍 거리 평균 파라미터(HDavg)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제3항에 있어서,상기 제1 유사도 파라미터는상기 좌안 정규화 해밍 거리(HDleft) 및 상기 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최소 전체 비트 수인 최소 전체 비트 수 파라미터(BitCountmin)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제3항에 있어서,상기 제1 유사도 파라미터는상기 좌안 정규화 해밍 거리(HDleft) 및 상기 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최대 전체 비트 수인 최대 전체 비트 수 파라미터(BitCountmax)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제4항에 있어서,상기 제2 유사도 파라미터는동공 원 중심 및 홍채 원 중심 사이의 거리 중 최소 거리인 최소 중심 거리 차이 파라미터(△NDmin)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제4항에 있어서,상기 제2 유사도 파라미터는동공 원 중심 및 홍채 원 중심 사이의 거리 중 최대 거리인 최대 중심 거리 차이 파라미터(△NDmax)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제9항에 있어서,상기 제2 유사도 파라미터는좌안의 정규화된 홍채 원 반경 차이 및 우안의 정규화된 홍채 원 반경 차이의 평균인 반경 차이 평균 파라미터(△RI,avg)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제9항에 있어서,상기 제2 유사도 파라미터는좌안의 동공 원 반경과 홍채 원 반경의 비율 차이 및 우안의 동공 원 반경과 홍채 원 반경의 비율 차이의 평균인 반경 비율 차이 평균 파라미터(△PIRavg)를 포함하는홍채 인식 기반 사용자 인증 방법.
- 제2항에 있어서,상기 유사도 스코어는하기 [식 1]에 따라 계산되는 홍채 인식 기반 사용자 인증 방법.[식 1]여기서, S는 유사도 스코어이고, △HDnorm은 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 정규화된 차이를 나타내고, HDavg는 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 평균이고, BitCountmin 및 BitCountmax는 각각 좌안 정규화 해밍 거리(HDleft) 및 우안 정규화 해밍 거리(HDright)의 계산에 사용된 최소 전체 비트 수 및 최대 전체 비트 수이고, △NDmin 및 △NDmax는 각각 동공 원 중심 및 홍채 원 중심 사이의 거리 중 최소 거리 및 최대 거리이고, △PIRavg는 좌안의 동공 원 반경과 홍채 원 반경의 비율 차이 및 우안의 동공 원 반경과 홍채 원 반경의 비율 차이의 평균이고, △RI,avg 는 좌안의 정규화된 홍채 원 반경 차이 및 우안의 정규화된 홍채 원 반경 차이의 평균이고, ic는 바이어스 계수이고, wi는 가중 계수임.
- 홍채 인식 기반 사용자 인증 장치에 있어서,사용자의 좌안 및 우안에 대한 이미지를 획득하고, 상기 이미지에서 동공 이미지 및 홍채 이미지를 추출하고, 상기 홍채 이미지를 분석하여 제1 홍채 특징을 획득하고, 상기 홍채 이미지 및 상기 동공 이미지를 분석하여 제2 홍채 특징을 획득하고, 상기 제1 홍채 특징, 상기 제2 홍채 특징 및 미리 저장된 기준 홍채 데이터에 기초한 유사도 스코어를 획득하고, 상기 유사도 스코어에 기초하여 사용자 인증 승인 여부를 결정하는 적어도 하나의 프로세서; 및상기 기준 홍채 데이터를 저장하는 적어도 하나의 메모리;를 포함하는홍채 인식 기반 사용자 인증 장치.
- 제1항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 포함하는컴퓨터 프로그램 장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18880306.8A EP3680794B1 (en) | 2017-11-24 | 2018-11-23 | Device and method for user authentication on basis of iris recognition |
CN201880073875.0A CN111344703B (zh) | 2017-11-24 | 2018-11-23 | 基于虹膜识别的用户认证设备和方法 |
US16/765,298 US11449590B2 (en) | 2017-11-24 | 2018-11-23 | Device and method for user authentication on basis of iris recognition |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2017141021A RU2670798C9 (ru) | 2017-11-24 | 2017-11-24 | Способ аутентификации пользователя по радужной оболочке глаз и соответствующее устройство |
RU2017141021 | 2017-11-24 | ||
KR1020180138307A KR102554391B1 (ko) | 2017-11-24 | 2018-11-12 | 홍채 인식 기반 사용자 인증 장치 및 방법 |
KR10-2018-0138307 | 2018-11-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019103520A1 true WO2019103520A1 (ko) | 2019-05-31 |
Family
ID=66631065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2018/014515 WO2019103520A1 (ko) | 2017-11-24 | 2018-11-23 | 홍채 인식 기반 사용자 인증 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2019103520A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080017763A (ko) * | 2006-08-22 | 2008-02-27 | 연세대학교 산학협력단 | 스코어 레벨 결합을 통한 홍채 인식 방법 |
KR20090074185A (ko) * | 2006-09-29 | 2009-07-06 | 오끼 덴끼 고오교 가부시끼가이샤 | 개인 인증 시스템 및 개인 인증방법 |
KR20130011913A (ko) * | 2011-07-20 | 2013-01-30 | 한국기초과학지원연구원 | 신원 인식 장치 및 방법 |
US20160012275A1 (en) * | 2012-12-10 | 2016-01-14 | Sri International | Iris biometric matching system |
KR101763761B1 (ko) * | 2010-06-04 | 2017-08-02 | 한국전자통신연구원 | 홍채 형상의 인식 방법 및 홍채 형상 인식 장치 |
-
2018
- 2018-11-23 WO PCT/KR2018/014515 patent/WO2019103520A1/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080017763A (ko) * | 2006-08-22 | 2008-02-27 | 연세대학교 산학협력단 | 스코어 레벨 결합을 통한 홍채 인식 방법 |
KR20090074185A (ko) * | 2006-09-29 | 2009-07-06 | 오끼 덴끼 고오교 가부시끼가이샤 | 개인 인증 시스템 및 개인 인증방법 |
KR101763761B1 (ko) * | 2010-06-04 | 2017-08-02 | 한국전자통신연구원 | 홍채 형상의 인식 방법 및 홍채 형상 인식 장치 |
KR20130011913A (ko) * | 2011-07-20 | 2013-01-30 | 한국기초과학지원연구원 | 신원 인식 장치 및 방법 |
US20160012275A1 (en) * | 2012-12-10 | 2016-01-14 | Sri International | Iris biometric matching system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021080103A1 (en) | Method for learning and testing user learning network to be used for recognizing obfuscated data created by concealing original data to protect personal information and learning device and testing device using the same | |
WO2016129917A1 (ko) | 사용자 단말 및 이의 제공 방법 | |
WO2021080102A1 (en) | Method for training and testing adaption network corresponding to obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same | |
WO2015102361A1 (ko) | 얼굴 구성요소 거리를 이용한 홍채인식용 이미지 획득 장치 및 방법 | |
WO2018164363A1 (ko) | 다중 생체 데이터를 이용한 비접촉식 다중 생체 인식 방법 및 다중 생체 인식 장치 | |
WO2014017697A1 (ko) | 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치 | |
WO2019182409A1 (en) | Electronic device and authentication method thereof | |
WO2015160207A1 (en) | System and method for detecting region of interest | |
WO2013085193A1 (ko) | 사용자 인지 향상 장치 및 그 인지 향상 방법 | |
WO2015115681A1 (ko) | 표정 동작사전을 이용한 표정인식 방법 및 장치 | |
WO2017039287A1 (ko) | 세그먼트 기반 수기서명 인증 시스템 및 방법 | |
KR20190060671A (ko) | 홍채 인식 기반 사용자 인증 장치 및 방법 | |
WO2017061758A1 (ko) | 세그먼트 블록 기반 수기서명 인증 시스템 및 방법 | |
WO2017179846A1 (ko) | 지문과 지정맥을 동시에 인증하는 다면 입체 촬영장치 | |
WO2018164364A1 (ko) | 다중 생체 데이터를 이용한 비접촉식 다중 생체 인식 방법 및 다중 생체 인식 장치 | |
WO2022240029A1 (ko) | 반려동물 식별 시스템 및 그 방법 | |
WO2018008881A1 (ko) | 단말장치 및 서비스서버, 그 장치에 의해 수행되는 진단분석 서비스를 제공하기 위한 방법 및 프로그램과, 그 프로그램이 기록된 컴퓨터 판독 가능 기록매체 | |
WO2017099427A1 (ko) | 손가락 마디 및 지정맥 기반의 융합형 생체 인증 방법 및 그 장치 | |
WO2022240030A1 (ko) | 반려동물 생애 관리 시스템 및 그 방법 | |
WO2018093105A1 (ko) | 생체정보의 알고리즘을 동시에 연동시키는 입출력 통합모듈 | |
WO2015137666A1 (ko) | 오브젝트 인식 장치 및 그 제어 방법 | |
WO2017183830A1 (ko) | 홍채템플릿 분산 저장 및 매칭을 이용한 홍채인식 보안 강화 방법 및 장치 | |
WO2018070576A1 (ko) | 복합 생체 정보를 이용한 사용자 인증 방법 및 그 장치 | |
EP3746923A1 (en) | Electronic device for performing biometric authentication and method of operating the same | |
WO2016006831A1 (ko) | 홍채 인식을 이용한 도어록과 그 시스템 및 그에 사용되는 이동통신단말기와 네트워크 게이트웨이 및 사용자 인증 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18880306 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |