A Study of Hand Vein Recognition Method

Keyward : Hand vein recognition / Threshold segmentation / Feature matching

Quotation : 155

Department of Automation, Harbin Engineering University, Harbin 150001, China

IEEE 2005 July

Abstact 

- 이 논문의 구성

1. 손등 정맥 인식의 기초 이론과 어려움에 대해 설명
2. 기존 손등 정맥 이미지의 the threshold segmentation method와 thinning method 설명
• 그 후, new threshold segmentation method와 향상된 conditional thinning method 제안 
3. 먼저, 끝점과 분기점 기반 손등 정맥 이미지 feature 추출 방법 설명 
4. 정맥 이미지를 매치(?)하기 위해 거리에 기반을 둔 매칭 방법 사용

- 좋은 결과가 나옴 

1. INTRODUCTION

- 정보화 시대에 접어들면서 정보에 대한 의존성과 요구가 나날이 증가하고 있다.

> 그로인해 정보 보안이 더 중요해짐 

> 그리고 신원 인증이 새로운 의미를 가짐

- 생물학적 특성에 기반을 둔 신원 인증 기술은 큰 장점을 가진다.

> 그 이유는, 고유 생리학 사용과 인간의 행동 특성에 있음

지문인식 이야기 

- 현재, 지문인식은 비교적 완벽한 신원 인증 기술이다.

> 실제 적용가능

> 다른 feature 추출 기술보다 비교적 저렴

- 그러나, 큰 제한이 있다.

> 갑자기 손가락에서 지문이 사라질수가 있음

> 손가락이 젖거나 너무 건조함 : 그 결과, 핑거프린트 이미지는 낡거나 흐릿해짐

> 그래서, 매칭이 잘 안되고 인식률이 떨어짐 

> 가장 큰 결점은, 쉽게 복사하고 모방됨 

그 이유는, 지문은 신체 표면에 나와있기 때문

> 추가로, 손가락을 접촉해야 하므로 위생 문제도 있음

- 그래서 이 논문에서 정맥인식 할거래 

지문인식과 비교 했을때 정맥 인식의 이점 

1. 정맥은 몸의 내부에 있어서 가공될 수 없다.
2. 정맥 인식은 비 접촉식이다.
3. 정맥의 특징은 오래 지속된다.

-  지금까지(2005년 기준) 한국, 서양, 일본에서 정맥인식 기술이 개발되었는데 중국에서만 없었다 (ㅋ)

정맥 인식의 몇가지 어려운점 

1. 원본 상태에서 정맥 이미지의 그레이 스케일 판별은 매우 어렵다.
2. 일반적인 조건부 thinning은 완벽한 단일 픽셀을 얻지 못한다, 
• 이것은 끝점과 분기점기반 feature 추출에 큰 문제를 가져온다
3. 참조 논문이 적었데

2. THRESHOLD DISPOSAL OF VEIN IMAGE ( THRESHOLD IMAGE METHOD )

- 다른 이미지 인식들과 동일한 절차를 가진다.

1. 이미지 추출 
2. 이미지 표준화

- 정맥 이미지 임계 값 처분을 계속 한다.(?) 이게 이 논문의 주 된 내용중 하나

- 정맥 이미지의 경우, 이 논문의 실험에선 좋은 세분화 효과는 단일 임계 값( 임계 값 고정, 총 평균, 총 OSTU(?) 등등 )과 다중 임계 값 분할 방법( 부분 평균, 부분 OSTU )으로 얻을 수 없는걸 나타낸다.  

> 그러나, 세분화 효과는 단일 임계 값에서 다중 임계 값으로 향상됨

- 그래서, 이 논문에선 the threshold image method라고 불리는 완전히 새로운 정맥 이미지 세분화 방법을 제안한다.

the threshold image method

- 임계 값의 수를 픽셀 값의 수로 증가 시킨다.

- 원본 이미지와 동일한 크기로 임계 값 이미지를 얻으면 임계 이미지를 기준으로 원본 이미지를 분할 할 수 있다.

The principle of the algorithm 

- 모든 픽셀 f(x, y)에 대해 이진화 과정에서 픽셀 값 (0 or 255)을 결정할 수 있는 하나의 그레이 스케일 값 T가 있다. 

> T는 f(x, y)와 그 주변의 N 점(N = (2K - 1) * (2K - 1))에 의해 결정된다.

> 이 논문에서 T값 = 5

the process of the algorithm

- 먼저, 이미지는 충분히 smooth 해야한다.

- 그리고 이 이미지를 세분화

1. 세분화의 첫 번째 단계는 smoothing image algorithm(?)과 같다.
• 31x31 사이즈의 smoothing template 사용 (사이즈는 실제 조건에 따라 결정)
1. 31x31범위 안에서 그레이 스케일의 평균 값 계산 
2. template의 중앙의 픽셀 그레이 스케일 값으로 넣는다.
2. 새로운 비트맵 T(x, y)가 만들어지고 모든 픽셀 스케일은 0으로 셋팅 // 원본 이미지 (f(x, y))
3. 원본 이미지는 절대 수정되지 않는다. 
4. 새로운 이미지 T(x, y)는 threshold image라고 불린다.
• 그 이유는, 전체 이미지가 원본 이미지의 임계값으로 간주되기 때문이다.

- 위 식으로 원본 이미지와 임계값 이미지를 비교하고 fig.4 이미지가 나오게 된다.   

                

                

3. IMAGE THINNING

- 이 논문에서는 일반 조건부 thinning과 templates의 결합 방법을 사용해 정맥 이미지를 얇게 했다.

- 일반 조건부 thinning 후 특별한 비-단일 픽셀 포인트를 제거한다.

1. The conditional thinning algorithm

• 목표 포인트를 1, 백그라운드를 0으로 마킹

• 적어도 하나의 백그라운드 포인트가 있는 8-neighborhood 타겟 포인트가 경계 포인트로 정의된다. 

• 이 알고리즘은 아래 방법으로 경계 지점을 조작한다.

• > 경계점에 중심을 둔 8-이웃을 고려한다.

• > p1 ~ p9까지 시계방향으로 정의

• > p1이 1이고 동시에 다음 네 가지 조건 만족하면 p1 삭제

1. 2 <= N(p1) <= 6;
2. S(p1) == 1;
3. p2 * p4 * p6 == 0;
4. p4 * p6 * p8 == 9;
• N(p1) : 0이 아닌 이웃 점의 수
• S(p1) : 0부터 1까지의 점 값이 p2, p3,...p9순서로 변하는 시간
• 마크된 모든 포인트는 모든 경계점이 체크 아웃 된 후에 삭제 
• 모든 픽셀 포인트를 삭제할 수 없을 때까지 반복 
2. the improved thinning algorithm
• 비-단일 픽셀점을 제거하기 위해 템플릿 알고리즘이 추가 되었다.

단일 픽셀 포인트의 종류

이 논문은 현재 연구에 맞지 않으니 다음에 보도록 하자