DBPIA-NURIMEDIA

Size: px

Start display at page:

Download "DBPIA-NURIMEDIA"

경진 정
6 years ago
Views:

1 GA 기반영상필터조합을이용한지문영상생성 455 GA 기반영상필터조합을이용한지문영상생성 (Fngerprnt Image Generaton usng Flter Combnaton based on the Genetc Algorthm) 조웅근 홍진혁 조성배 (Ung-Keun Cho) (Jn-Hyuk Hong) (Sung-Bae Cho) 요약지문인식시스템의성능을평가하기위해서는대규모지문 DB 를구축하는것이필요하다. 지문을수집하는것은매우고비용의작업이기때문에, 지문평가용 DB 의구축은많이이루어지지않았고실제로소수의평가용 DB 만이공개되어있다. 뿐만아니라이들 DB 는제한된환경에서수집되어있어실제다양한환경에대한지문인식시스템의성능을정확히평가하기가어렵다. 본논문에서는유전자알고리즘을이용하여소수의학습샘플로부터실제환경에서발생하는다양한영향을고려한지문영상을자동으로생성하는방법을제안한다. 제안하는방법을이용하여생성된지문은실제환경에서수집된지문과유사한특성을가지기때문에, 실제로다수의지문영상을수집하지않고도대상환경에서의성능평가가가능하다. 실제지문과의비교를통하여제안하는방법의유용성을검증하였다. 키워드 : 지문인식성능평가, 유전자알고리즘, 영상필터, 영상생성 Abstract The constructon of a fngerprnt database s mportant to evaluate the performance of an automatc fngerprnt recognton system. Due to the cost of collectng fngerprnts, there are only few benchmark databases avalable. Snce t s hard to evaluate how robust the system s n varous envronments wth the databases, ths paper proposes a novel method that generates fngerprnt mages automatcally from only a few tranng samples by usng the genetc algorthm. Fngerprnts generated by the proposed method nclude smlar characterstcs of those collected from the correspondng real envronment. The proposed method has been verfed by comparng wth real fngerprnt mages, showng the usefulness of the method. Key words :performance evaluaton on fngerprnt recognton, genetc algorthm, mage flter, mage generaton. 서론 지문이가지는영속성과고유성때문에, 지문인식은개인의신원을인증하는대표적인기술이되었다 []. 지문인식에대한사람들의관심이커지면서실제환경에서시스템이얼마나잘동작하는지를평가하는것이중요해지고있다 [2,3]. 성능평가는대부분평가용 DB에의존적인데, IST DB[4] 나 FVC200(0,2,4,6) 지문 DB[3] 등의몇몇지문 DB를제외하면지문인식시스템개발 본연구는생체인식연구센터 (BERC) 를통해한국과학재단 (KOSEF) 에서지원받았음 학생회원 : 연세대학교컴퓨터과학과 bearoot@sclab.yonse.ac.kr hjnh@sclab.yonse.ac.kr 종신회원 : 연세대학교컴퓨터과학과교수 sbcho@cs.yonse.ac.kr 논문접수 : 2006년 0월 26일심사완료 : 2007년 3월 20일 자들은보통자체적으로수집한소규모의지문 DB를이용하여시스템을평가한다. 지문 DB를구축하기위해서는매우많은노력이필요하기때문에보통현실적으로어렵다 [5]. 뿐만아니라실제환경에대한시스템의성능을정확히측정하기위해서는다양한환경에서수집된지문영상으로구성된지문 DB가필요하다 [6]. 이런제약들이지문인식시스템의성능평가를더욱어렵게만들고있다. 최근지문인식시스템의성능을다각적으로측정하기위한연구가진행되고있으며, 연구진들은다양한평가프로토콜이나 DB를제안하고있다. Jan 등은일란성쌍둥이의지문의유사성을측정하고지문인식에서의성능을분석한쌍둥이-테스트를수행하였고 [7], Pankant 등은지문의개별성 (Indvdualty) 을이론적으로분석하였다 []. Hong 등은지문인식시스템을포함한생체인식시스템의성능평가를개관하였다 [8]. Khanna와 Wecheng

456 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 은 IST DB 4를이용한성능평가를수행하였고 [4], Mao 등은 FVC200(0,2,4,6) 과같은지문인식기술을평가하는대회를개최하였다 [3]. Smon-Zorta 등은지문입력위치와영상품질을고려한 MCYT 지문 DB를수집하여보다구체적인평가를수행하였다 [6].

인조지문 DB는지문수집에서의현실적인문제를해결하였지만, 실제지문을사용하지않았고, 다른영역으로의확장성이부족하다는한계점이있다. 본논문에서는초기의소수지문을이용하여다양한환경에서수집된지문과유사한특성을가지는지문영상을생성하는기법을제안한다. 제안하는방법은유전자알고리즘 (GA) 을이용하여구성한영상필터집합을적용하여원본영상을대상환경으로부터수집된실제지문영상과유사하도록변형한다.

2 456 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 은 IST DB 4를이용한성능평가를수행하였고 [4], Mao 등은 FVC200(0,2,4,6) 과같은지문인식기술을평가하는대회를개최하였다 [3]. Smon-Zorta 등은지문입력위치와영상품질을고려한 MCYT 지문 DB를수집하여보다구체적인평가를수행하였다 [6]. 적은비용과노력을들여서지문 DB를구축하기위해인조지문영상을생성하는연구도진행되었는데, Cappell 등은설정된파라메터에따라휴리스틱하게지문영상을생성하는 SFnGe라는소프트웨어를개발하여 FVC200(0,2,4,6) 에서평가용 DB로사용하였다 [3,5,9]. 인조지문 DB는지문수집에서의현실적인문제를해결하였지만, 실제지문을사용하지않았고, 다른영역으로의확장성이부족하다는한계점이있다. 본논문에서는초기의소수지문을이용하여다양한환경에서수집된지문과유사한특성을가지는지문영상을생성하는기법을제안한다. 제안하는방법은유전자알고리즘 (GA) 을이용하여구성한영상필터집합을적용하여원본영상을대상환경으로부터수집된실제지문영상과유사하도록변형한다. 적절한영상필터집합을획득하기위해서, 대상환경으로부터얻어진소수의지문으로부터획득된각종통계값으로적합도함수를설정한다. 2. 배경 2. 지문인식사람의손가락에있는융선과골의흐름인지문은타인과다르다는특성으로인해사람을인증하는데널리사용되고있다 [2]. 최근수요가늘고있는자동지문인식시스템은광학식이나반도체식등의센서를이용하여지문영상을획득하여, 그림 과같이특이점이나특징점과같은유용한특징을추출한다 [0]. 지문영상의품질은수집되는환경에아주쉽게영향을받기때문에, 종종잘못된특징점이추출되거나진짜특징점을빠뜨리기도한다. 영상개선을통해지문영상의품질을높이 는연구도활발히진행되고있다 []. 지문인식에필요한특징이추출되면그림 2와같이미리시스템에등록되어있는사용자지문정보인템플릿과유사도를측정하여사용자를확인한다 [2]. 대규모사용자가시스템에등록되어있는경우에는비교횟수를줄이기위해서인덱싱이나분류가매칭전에수행되기도한다 [8,3]. 2.2 유전자알고리즘 975년 John Holland가제안한 GA는교차, 돌연변이, 적자생존등의자연적진화현상을모방한알고리즘으로최적화나기계학습등에널리사용되고있다 [4]. 염색체로표현되는해의집단을대상으로탐색을수행하기때문에, 지역해에쉽게수렴하지않도록유도한다 [5]. 알고리즘의기본적인동작과정은다음과같다. t = 0; IntalzePopulaton t) Evaluate t) whle not done do t = t+ P = SelectParents t) Recombne P (t) Mutate P (t) Evaluate P (t) P = Survve P, P (t) end_whle 보통비트배열로구성되는염색체는주어진문제를해결하는개체를의미하는데, 적합도합수를통해얼마나적절한지를평가받는다. 집단을구성하는모든개체의적합도를평가한후에는새로운개체를생성하기위해선택, 교차와돌연변이등의유전자연산을적용한다. 염색체는문제에따라비트배열이나인덱스배열, 트리등다양한형태를가진다. 선택과정에서는다음세대의집단을생성하기위해서현재집단을구성하는개체중 그림 지문특징 그림 2 특징점기반매칭

3 GA 기반영상필터조합을이용한지문영상생성 457 우수한개체를선택한다. 보통개체의적합도에따라서확률적으로선택하여높은적합도를가지는개체가더많이다음세대에포함되도록뽑는다. 교차는선택된두개체의유전정보를일정한비율로교환한다. 예를들면, 개체 a = ( ) 와 b = ( ) 가있을때, 3번째위치를중심으로하는 점교차를사용하면 a' = ( 0 0) 와 b' = (0 0 ) 이생성된다. 돌연변이는해당개체의배열에서임의의위치를선택하여값을초기화한다. 예를들면, 개체 a의 4번째위치에돌연변이를적용하면 a' = ( 0) 을생성한다. GA는원하는해가발견될때까지선택, 교차와돌연변이를반복한다. 3. 제안하는방법 3. 개요제안하는방법은그림 3과같이구성된다. 동작과정은기본적인 GA와같으며, 주어진환경에대응하는지문영상을생성하기위한필터조합을획득하기위해서적합도평가함수를설계한다. 먼저집단크기, 세대수, 염색체길이, 선택전략, 선택율, 교차율, 돌연변이율과같은 GA의변수들을설정하고, 제안하는방법이원하는특성을가진지문영상을생성하는필터를찾도록대상환경으로부터수집된소량의지문을분석한다. 비록동일한필터의조합이라도그적용순서가달라지면발생그림 3 제안하는방법의동작구조 하는효과도많이달라지기때문에 GA를사용하여전역해를탐색한다. 집단을초기화한후, 제안하는방법은적합도평가와선택, 교차, 돌연변이를종료조건이만족될때까지반복한다. 학습 DB는필터조합획득을위해모델링하고자하는환경에서수집된소량의지문과지문영상생성을위해기본환경에서수집된지문으로구성된다. 특별히염색체의적합도는대상환경에서수집된소량의지문과필터를적용하여얻어진지문영상과의유사도를측정하여계산하며, 이때유사도측정을위해지문의다양한특징들의통계치를이용한다. 학습 DB의지문에적용될필터는염색체의유전자값에따라서정해진다. 모델링하고자하는환경에서소량의지문을수집하면제안하는방법은특별한전문가지식없이환경을분석하고적절한필터조합을찾는다. 3.2 영상필터실제환경에서와비슷한효과를주기위해서다양한영상필터를이용하여필터조합을구성한다. 표 에서와같이개개의필터는단순한효과를가지지만, 서로적절히함께사용되면다양한결과를낼수있다. 필터조합에서사용되는필터의종류와순서의모든경우를평가하기는현실적으로불가능하기때문에, GA를이용하여탐색한다. 표 은본논문에서사용된영상필터에대해보여주며, 이들영상필터는영상에서의잡음을제거하거나평활화나강조등에널리사용되고있다 [6,7]. 보통영상필터는히스토그램방식, 마스크방식과모폴로지방식으로나뉘며, 변수값을다르게선택하여다양한효과를얻어낼수있다. 총 70개의영상필터가필터조합을구성하는데사용되었다 히스토그램기반영상의히스토그램은각명암값에대해서영상에서의해당명암의픽셀수를보여주는그래프이다. 보통지문 표 본논문에서사용된영상필터의집합 유형 필터명 종류 효과 색인 Brghtness 3가지값 밝기조정 ~3 Contrast 3가지값 대비조정 4~6 히스토그램 Stretch - 영상의히스토그램을늘리기 7 Equalze - 영상의히스토그램을균일화하기 8 Logarthm - 영상의히스토그램을로그화하기 9 Blur 6 마스크 영상을평활화하기 0~5 마스크 Sharper 4 마스크 영상을날카롭게하기 6~9 Medan 0 마스크 잡음제거하기 20~29 Eroson 0 마스크 영상으로부터밝은점들제거하기 30~39 모폴로지 Dlaton 0 마스크영상으로부터어두운점을제거하기 40~49 Openng 0 마스크영상의잡음을제거하기 50~59 Closng 0 마스크 영상에서의구멍을제거하기 60~69 사용안함 0

458 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 영상은 256개의다른명암을가지는 8 비트그레이스케일로표현되기때문에, 히스토그램은그레이스케일의픽셀에서의분포를보여주는 256개의숫자로구성된다. 비율 s (-00 s 00) 가주어질때, 히스토그램 brghtness 는픽셀 p의값을다음과같이조정한다.

4 458 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 영상은 256개의다른명암을가지는 8 비트그레이스케일로표현되기때문에, 히스토그램은그레이스케일의픽셀에서의분포를보여주는 256개의숫자로구성된다. 비율 s (-00 s 00) 가주어질때, 히스토그램 brghtness 는픽셀 p의값을다음과같이조정한다. v new = v old v + old s 00 () 비율 s (-27 s 27) 가주어지면, 히스토그램 contrast 는픽셀 p의값을다음과같이조정한다. v new = v old ( v + old 28) s 28 (2) Contrast stretchng 은명암분포범위를원하는형태로조정하여영상의대비를개선한다. 명암분포의상한선 (a) 과하한선 (b) 을설정하고, 현재영상에서의가장높은값의명암 (c) 과가장낮은값 (d) 을찾는다. 히스토그램 stretchng 은각픽셀 p의값을다음과같이조정한다. v b a = vold c d c new + a (3) 히스토그램 equalzaton 은영상이전체적으로고른명암분포를가지도록픽셀의명암을조정하는것으로, 기존영상의픽셀의명암을고려하여명암값이 j인픽셀은다음과같은값을할당한다. O j = j = 0, T : 영상의픽셀수 T (4) 마스크기반 Convoluton 의일종인 Maskng 기법은그림 4와같은마스크유형에따라입력영상의픽셀값을선형적으로결합하는단순한수리적연산이다. 보통영상의 왼쪽상단에서오른쪽하단으로진행하면서, 각픽셀의값은다음과같이 m n의마스크와겹치는영역에대해마스크값과영상값을곱하고이들값을합하여계산한다. 마스크기반의필터는마스크의모양과셀의가중치에따라서영상을흐리게하거나뚜렷하게하는등의다양한효과를만든다. O (, j) = m n k= l= I( + k, j + l ) M ( k, l) I(, j) : 영상 I의번째행, j번째열의픽셀강도 M (, j) : 마스크의번째행, j번째열의강도 (5) Medan 필터는마스크기반의필터와같이주변셀의명암값을고려하지만, 가중치를곱하여명암값을계산하는것이아니라마스크내의픽셀들을명암에따라정렬하였을때중간픽셀의값으로현재픽셀의명암을결정한다 모폴로지기반모폴로지연산은교차 (ntersecton) 나결합 (unon), 포함 (ncluson), 보충 (complement) 등의집합연산을사용하여원본영상과구조체 (structurng element) 를결합한다. 그림 4에서와같이구조체의모양에따라서영상에서다양한효과를발생시킨다. 특히모폴로지기반필터의기본적인연산자인 dlaton 은서서히전경의범위를넓혀나가며영상에있는구멍을점점더작게만든다. 반면, 다른연산자인 eroson 은전경을침식해가면서영상에있는구멍을보다크게만든다. Openng 과 closng 은기본적인연산자인 dlaton 과 eroson 으로부터파생되었는데, openng 은전경영역에있는테두리의픽셀을서서히삭제하여구조체의모양과비슷한영역은남기고다른영역은지워간다. 반대로 closng 은전경영역의경계를넓혀나가며구조체와 (a) 지역통과필터마스크 (b) 고역통과필터마스크 (c) 중간값, 모폴로지필터마스크 그림 4 마스크와구조요소예

5 GA 기반영상필터조합을이용한지문영상생성 459 비슷한모양의배경영역을남긴다. 3.3 적합도평가개체의적합도는대상환경으로부터수집된지문과필터조합을통해얻어진지문영상과의유사성을다음과같이측정하여계산된다. 지문의대표적인특징인영상의그레이스케일평균과편차, 방향성대비, 평균융선두께와간격, 특이점과특징점들을적합도평가를위해사용한다. 앞서언급한바와같이지문은입력환경에쉽게영향을받기때문에, 환경으로부터의영향을이들통계치를가지고표현할수있다. 먼저얻고자하는지문의환경으로부터소량의지문을수집하고대상환경의통계치를구한후, 진화를통해얻어진지문영상과얼마나유사한지를측정하여실제환경에서수집된지문과유사한영상을획득하는방향으로진화를수행한다. 적합도함수에서는모든통계치를 0에서 로정규화하여사용한다. ftness( ) = w ( mean mean + w ( varance varance 2 3 ( contrast + w ( thckness thckness 4 + w ( nterval nterval 5 + w (( p ( a) 6 + w (( p ( ee) 7 + w 4 j= + ( p ( eb) + ( p ( en) j ) ) ( a)) + ( p ( b) ) ( ee)) + ( p ( be) contrast j ) ) ( eb)) + ( p ( bb) ( en)) + ( p ( bn) ( b)) + ( p ( be)) + ( p ( ne) ( bb)) + ( p ( nb) ( bn))) )) ( ne)) ( nb)) (6) 3.3. 평균과편차그레이스케일의지문영상의평균과편차는다음과같이계산된다. 평균은영상전체의그레이스케일값을가리키고, 편차는이들값이얼마나고르게분포하는지를나타낸다. I(, j) 는 M 행렬의영상 I의 번째행과 j번째열픽셀의명암을가리킨다. Mean = M Varance = M M = 0 j= 0 I(, j) M = 0 j= 0 ( I(, j) Mean) 2 (7) 방향성대비지문을블록으로구분하여이들사이의방향성편차를계산하여방향성대비를구한다. 그림 5에서보이는마스크를사용하여각방향의중심 C에대한편차의합 S (=,2,3,4) 를계산한다. S max 는 4방향의편차중가장큰값이고, S mn 은가장작은값이다. P 는 번째방향의그레이스케일값을가리키며, S max 와 S mn 은보통골픽셀 ( 흰색 ) 과융선픽셀 ( 검은색 ) 에서각각나타난다. 4 S = P = block drectonal dfference = Sum ( S max S mn ) (8) 그림 5 방향성대비를계산하기위한마스크 융선두께와간격융선두께와간격은각블록에서융선의방향성에직교한방향으로그레이스케일값을분석하여얻는다. 영상의각블록에서융선의두께와간격을구한후평균값을취하여융선두께와간격으로사용한다. 이때, 방향성은영상의각열과행을블록화하고이들블록의방향성을축적하여획득한다 [] 특이점특이점은방향성을이용하여중심점과삼각주를계산하는대표적방법인 Poncare 지수로추출한다. 알고리즘에의해감지된특이점집합을 Sd={sd, sd 2,..., sd n} 라하고, 전문가가지문영상에서직접특이점을추출한것을 Se={se, se 2,..., se m} 라할때, 개의학습샘플에대해다음을정의한다. 추출특이점 (p): sd와 se가일정한영역 (24픽셀) 안에동시에존재하는특이점으로추출알고리즘으로찾은특이점 분실특이점 (a): se에는존재하지만 sd에는존재하지않는특이점으로추출알고리즘으로찾지못한특이점 의사특이점 (b): sd에는존재하지만 se에는존재하지않는특이점으로잘못추출된특이점 a ) a) S ) = e, b ) b) S ) = ( a ) + b )) p) = = ( Se ) + S d )) (9) 특징점끝점과분기점으로구성되는특징점을추출하기위해, 먼저입력영상으로부터방향성을측정하고전경영역분리와가보필터링등의전처리를통해영상의품질을향상시킨다. 그후, 융선의세선화를통해끝점과분기점을감지한다. 특징점추출의자세한과정은 [] 에기술되어있다. 알고리즘으로부터추출한끝점과분기점을각각 Ed = {ed, ed 2,..., ed n} 와 Bd={bd, bd 2,..., bd m} 라하고, 전문가가지문영상으로부터직접뽑은끝점과분기점을각각 Ee={ee, ee 2,..., ee k} 와 Be={be, be 2,..., be l} 라할때, 개의학습샘플로부터표 2에서와같은값을정의한다. d,

6 460 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 표 2 특징점추출에서정의한확률값 기호 알고리즘결과 전문가판단 확률 ee 끝점 끝점 ee ) EE) = Ee ) be 분기점 끝점 be ) BE) = Ee ) ne 무 끝점 ne ) E) = Ee ) eb 끝점 분기점 eb ) EB) = Be ) bb 끝점 분기점 bb ) BB) = Be ) nb 무 분기점 nb ) B) = Be ) en 끝점무 bn 분기점무 4. 실험및결과 en ) E) E ) = bn ) B) B ) = 4. 실험환경본논문에서는제안하는방법의유용성을검증하기위해서실제환경으로부터수집된지문영상과제안하는방법을통해획득된지문영상을비교한다. 평가를위한지문 DB는인하대의컴퓨터비젼연구실에서수집된것으로, 동일한지문으로부터입력압력별 ( 고 (H), 중 (M), 저 (L)) 로그림 6과같이수집하였다 [8]. 총 4개의손가락으로부터수집된 42개의지문영상을학습데이타로사용하고, 5개의손가락으로부터수집된 45개의지문영상을테스트데이타로사용한다. 실험은입력압력이중 (M) 인지문영상으로부터입력압력이고 (H) 와 d d 그림 6 평가용 DB 모습표 3 GA 변수설정변수값세대수 200 집단크기 50 염색체길이 5 선택율 0.7 교차율 0.7 돌연변이율 0.05 엘리트선택 Yes 저 (L) 인지문영상을생성하도록필터조합 (M->H, M->L) 을생성한다. 대상환경의통계치를측정하기위해서그림 3에서와같이학습데이타의입력압력이고 (H) 와저 (L) 인학습용지문영상을사용한다. 진화를통해원하는필터조합이획득되면, 입력압력이중 (M) 인테스트데이타에적용하여실제입력압력이고 (H) 와저 (L) 에서수집된지문과의유사도를측정하여성능을분석한다. GA의변수는표 3에서와같이설정하였다. 최대 5개의필터를사용하도록염색체의길이를 5로사용하였으며, 룰렛휠선택방법을채택하였다. 적합도함수에서의각특징에대한가중치는지문에특화된특징을고려하여 (,,,2,2,,3) 으로설정하였다. 실험은 Xeon 2.8GHz 의듀얼프로세스와 2GB 램에서약 주일이소요되었다. 4.2 결과분석그림 7에서와같이진화를통해제안하는방법은보 그림 7 진화에서의적합도변화추세 ( 왼쪽 : 고 (H) 압력, 오른쪽 : 저 (L) 압력 )

GA 기반영상필터조합을이용한지문영상생성 46 다나은필터조합을생성하였으며, 모든대상환경에서최대적합도와평균적합도는증가하였다. 그림 8은제안하는방법을통해얻어진지문영상을보여주는데, 세대를거듭하면서실제환경에서수집된지문과유사한지문영상을생성하였다. 표 4는각세대에서획득한최대적합도의필터조합을보여준다. 실제대상환경에서수집된지문과생성된지문영상을비교하였다.

7 GA 기반영상필터조합을이용한지문영상생성 46 다나은필터조합을생성하였으며, 모든대상환경에서최대적합도와평균적합도는증가하였다. 그림 8은제안하는방법을통해얻어진지문영상을보여주는데, 세대를거듭하면서실제환경에서수집된지문과유사한지문영상을생성하였다. 표 4는각세대에서획득한최대적합도의필터조합을보여준다. 실제대상환경에서수집된지문과생성된지문영상을비교하였다. 그림 9에서와같이입력압력이중 (M) 인지문의각종통계치가제안하는방법을통해고 (H) 나저 (L) 압력의값으로변하였다. 특히융선두께와간격은실제환경에서수집된것과유사하게변하였다. 하지만특이점은표 5에서와같이대상환경을모델링하는데적절하지않았다. 특이점은지문영상의전반적인분포를나타내기때문에, 영상필터를이용한변형이용이하지않음을확인하였다. 반대로특징점의분포는그림 0에서처럼각환경을적절히표현하였고, 제안하는방법을통해서대상환경에서와같은특성을획득하였다. GE-hgh 와 GE-low 는제안하는방법을통해얻 표 5 테스트데이타에대한특이점분석 (M: 손실특이점수, T: 실제특이점수, S: 의사특이점수, E: 추출된특이점수 ) ( 생성 / 실제 ) 고압력 (%) 중압력 (%) 저압력 (%) M / T (5.9 / 6.3) 5.9 (5.9 /.8) S / E (. / 2.) 5.9 (5.9 / 6.3) -(M + S) / (T + E) (94. / 93.8) 94. (94. / 88.2) 어진결과를의미하고, hgh, mddle 과 low 는각환경에서실제로수집된지문에서측정한값이다. 5. 결론 본논문에서는 GA를이용하여지문영상을자동으로생성하는방법을제안하였다. 다양한단순영상필터를사용하여필터조합을구성하였으며, 진화기술을이용하여적절한유형과순서를결정하였다. 지문입력압력에따라수집된지문 DB에제안하는방법을적용하여실제환경에서수집된지문과유사한특성을가진지문 그림 8 제안하는방법이생성한지문영상 표 4 진화에서획득한최대적합도필터조합 고압력 저압력 st 20 th 40 th st 20 th 40 th Sharpen (Hghpass 3 3 #) Eroson (Vertcal 3) Medan (Damond 3 3) ULL Medan (Damond 5 5) Openng (Damond 3 3) Eroson (Vertcal 3) ULL ULL Sharpen (Hghpass 3 3 #2) Eroson (Vertcal 3) Closng (Horzontal 3 ) Closng (Rectangle 3 3) ULL ULL ULL Eroson (X 3 3) Sharpen (Hghpass 3 3 #4) ULL Hstogram (Logarthm operaton) Hstogram (Equalze) Dlaton (Damond 3 3) ULL Hstogram (Stretch) Dlaton (Damond 3 3) ULL ULL Dlaton (X 3 3) ULL ULL

8 462 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) (a) 평균과편차 (b) 방향성대비 (c) 융선두께와간격 그림 9 테스트데이타에대한특징분포

9 GA 기반영상필터조합을이용한지문영상생성 463 그림 0 테스트데이타에대한특징점분석 영상을생성하였다. 영상의그레이스케일평균과편차, 방향성대비, 융선두께와간격, 특이점및특징점등의각종지문특징을사용하여대상환경을모델링하였고, 대상환경에서수집된소량의지문에서측정된특징값 과의유사도를적합도로사용하여적절한필터조합을생성하였다. 제안하는방법으로생성된지문영상은지문인식시스템의성능평가뿐만아니라시스템을튜닝하는데에사

464 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 용될수있으며, 적합도평가함수를변형하면영상개선등으로확장될수있다. 하지만영상필터의조합을통해예상치못한영상이생성되는경우가발생하기도하였다. 이를위해향후에는보다정확히대상환경을모델링하도록지문의다양한특징을구현하고, 인식율도적합도에포함시키고자한다.

, "On the ndvdualty of fngerprnts," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 24, no. 8, pp. 00-025, 2002. [2] R. Cappell, et al.

, "FVC2000: Fngerprnt verfcaton competton," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 24, no. 3, pp. 402-42, 2002. [4] R. Khanna and S.

10 464 정보과학회논문지 : 소프트웨어및응용제 34 권제 5 호 (2007.5) 용될수있으며, 적합도평가함수를변형하면영상개선등으로확장될수있다. 하지만영상필터의조합을통해예상치못한영상이생성되는경우가발생하기도하였다. 이를위해향후에는보다정확히대상환경을모델링하도록지문의다양한특징을구현하고, 인식율도적합도에포함시키고자한다. 또한국부적노이즈첨가, 비선형압력으로인한골간격의불규칙성, 건조피부로인한융선의갈라짐, 흰점등다양한휴리스틱영상필터를설계하여보다다양한효과를지문영상에적용할것이다. 최근지문에서중요시되는전역유사도를바탕으로지문을수집하여제안하는방법을검증해보고자한다. 참고문헌 [] S. Pankant, et al., "On the ndvdualty of fngerprnts," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 24, no. 8, pp , [2] R. Cappell, et al., "Performance evaluaton of fngerprnt verfcaton systems," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 28, no., pp. 3-8, [3] D. Mao, et al., "FVC2000: Fngerprnt verfcaton competton," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 24, no. 3, pp , [4] R. Khanna and S. Wecheng, "Automated fngerprnt dentfcaton system (AFIS) benchmarkng usng the atonal Insttute of Standards and Technology (IST) Specal Database 4," Proc. 28 th Int. Carnahan Conf. on Securty Technology, pp , 994. [5] R. Cappell, et al., "Synthetc fngerprnt-mage generaton," Proc. 5 th Int. Conf. Pattern Recognton, vol. 3, pp , [6] D. Smon-Zorta, et al., "Image qualty and poston varablty assessment n mnutae-based fngerprnt verfcaton," IEE Proc. Vson, Image Sgnal Process, vol. 50, no. 6, pp , [7] A. Jan, et al., "On the smlarty of dentcal twn fngerprnts," Pattern Recognton, vol. 35, no., pp , [8] J.-H. Hong, et al., "A revew of performance evaluaton for bometrcs systems," Int. J. Image and Graphcs, vol. 5, no. 2, pp , [9] R. Cappell, et al., "Synthetc fngerprnt-database generaton," Proc. 6 th Int. Conf. Pattern Recognton, vol.3, pp , [0] X. Xa and L. O Gorman, "Innovatons n fngerprnt capture devces," Pattern Recognton, vol. 36, no. 2, pp , [] L. Hong, et al., "Fngerprnt mage enhancement: Algorthm and performance evaluaton," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 20, no. 8, pp , 998. [2] X. Kovacs-Vajna, "A fngerprnt verfcaton system based on trangular matchng and dynamc tme warpng," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 22, no., pp , [3] A. Senor, "A combnaton fngerprnt classfer," IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 23, no. 0, pp , 200. [4] D. Goldberg, Genetc Algorthm n Search, Optmzaton and Machne Learnng, Addson Wesley, 989. [5] J.-H. Hong and S.-B. Cho, "Effcent huge-scale feature selecton wth specated genetc algorthm," Pattern Recognton Letter, vol. 27, no. 2, pp , [6] R. Gonzalez and R. Woods, Dgtal Image Processng, Addson-Wesley, 992. [7] A. Jan, Fundamentals of Dgtal Image Processng, Prentce Hall, 989. [8] H. Kang, et al., "A study on performance evaluaton of fngerprnt sensors," Proc. 4 th Int. Conf. Audo-and Vdeo-based Bometrc Person Authentcaton, pp , 조웅근 2005 년연세대학교컴퓨터과학과 ( 학사 ) 2005 년 ~2007 년연세대학교컴퓨터과학과석사. 관심분야는생체인식, 패턴인식 홍진혁 2002년연세대학교기계전자공학부정보산업전공졸업. 2002년~2004년연세대학교컴퓨터과학과석사. 2004년~현재연세대학교컴퓨터과학과박사과정. 관심분야는지능형에이전트, 패턴인식, 바이오인포메틱스 조성배 988년 연세대학교 전산과학과 ( 학사 ) 990년한국과학기술원전산학과 ( 석사 ) 993년한국과학기술원전산학과 ( 박사 ) 993년~995년일본 ATR 인간정보통 신연구소 객원 연구원. 998년 호주 Unv. of ew South Wales 초청연구 원. 995년~현재연세대학교컴퓨터과학과정교수. 관심분 야는신경망, 패턴인식, 지능정보처리

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support