유도된 방향특징과 ELMs기반 새로운 지정맥 인식연구

다국어 초록 (Multilingual Abstract)

In this thesis, we propose a novel finger vein recognition system which improves its usability, stability, computational complexity, and recognition accuracy comparing to previous researches. In order to make the system practical in real-world applications, algorithms in the system are also designed to be very robust to external physical factors such as lighting and finger positioning, and to easily accommodate large-sized database which may have frequent changes of entries. The proposed system consists of three major components, each with separate, significant contribution to the performance of the system: finger vein quality assessment, enhancement and feature extraction, and classification. In finger vein quality assessment, we propose an energy model, developed from the structure of veins and corner minutiae, to generate assessment scores and then to discard low-quality vein images for high usability of the system. For the image enhancement and feature extraction component, a novel explicit guided directional filter is proposed to obtain high-quality vein contours from noisy, non-uniform, low-contrast images without introducing any segmentation process. It enhances an input image with an additional supervisor image which strongly instructs to preserve vein patterns and reduces background impacts such as haze and variation of illumination. Veins after guided directional filtering are magnified enough to directly extract average absolute deviation (AAD) features, which represent strengths of directional block information with eight different angles, even from images with thin, vague ridges and non-uniform backgrounds. Three types of classifiers, based on the extreme learning machine (ELM), are designed to best utilize the characteristics of AAD features, to obtain high recognition accuracy and to provide the stability of the system. A typical ensemble ELM (E-ELM) consists of a number of unit ELMs, each trained with whole AAD features, and combines the outputs of unit ELMs for stable classification. A newly-developed component-based ELM (C-ELM) has eight much smaller-sized unit ELMs and an output layer to combine outputs of eight ELMs. For the structured training of vein patterns, the C-ELM is designed to first train small differences between patterns with the same angle and then to aggregate the differences at the output layer. We also design an ensemble C-ELM (EC-ELM) to provide the stability of the component-based matching system. Experimental results show that the proposed system with a C-ELM achieves an excellent matching performance in terms of matching accuracy of 99.89% and speed of 0.87 ms for each image.

국문 초록 (Abstract)

본 논문에서 이전 연구에 비해 안정도, 계산 복잡도와 인식정확도를 향상시킨 새로운 지정맥 인식 시스템을 제안하였다. 또한 제안된 시스템이 현실적인 실제 응용에서 사용가능 하도록 시스템 내의 알고리즘들은 조명변화나 손가락 위치 변경과 같은 외부의 물리적인 변화 요인들에 대해 강인성을 갖도록 하였으며, 사용자가 자주 변경될 수 있는 대용량의 데이터베이스도 수용할 수 있도록 설계하였다. 제안된 시스템은 지정맥 품질평가, 영상향상 및 특징 추출과 분류의 세 가지 주요 요소를 포함하고 있으며 각 요소는 별도의 중요한 새로이 제안된 내용을 포함하고 있다. 첫 요소인 지정맥 품질평가에서는 지정맥 구조와 코너 특징점에서 형성한 에너지 모델을 제안하고, 이를 기반으로 지정맥 영상에 대한 평가점수를 생성한 다음 저품질 영상을 배제하는 방법으로 시스템의 유용성을 높였다. 두 번째의 영상향상과 특징추출에는 고잡음, 비균일, 저회색도 대비 환경에서 분할과정 없이도 고품질의 지정맥 윤곽선을 생성할 수 있는 유도된 방향 필터(guided directional filter)를 제안하였다. 이 요소는 추가적인 감시영상과 입력영상을 이용하여 조명변화나 희뿌연 현상을 포함하는 배경의 영향을 감소시키고 지정맥 부분을 강하게 향상하며, 여덟 개 각도의 블록 세기 정보를 나타내는 평균절대편차(AAD)를, 매우 가늘고 약한 지정맥과 비균일 배경의 환경에서도, 특징정보로서 직접 계산을 한다. 세 번째 요소에서는 ELM에 기반한 세 가지 분류기를 AAD 특징을 최대한 이용하도록 설계하였으며 인식정확도의 제고와 시스템 안정성을 제공하도록 조정하였다. 첫 분류기인 전형적인 앙상블 ELM (E-ELM)은 다수의 단위 ELM을 포함한다. 각 단위 ELM은 전체 AAD 특징을 포함하는 패턴들로 학습되고, 출력들은 다시 출력층에서 결합되어 분류를 수행한다. 본 논문에서 새롭게 만들어진 요소기반 ELM (C-ELM)은 여덟 개의 훨씬 작은 단위 ELM과 출력층을 가진다. 지정맥의 구조적인 학습을 위해 C-ELM에서는 동일한 각도에서 생성된 패턴들 간의 작은 차이들을 단위 ELM에서 먼저 학습하며 출력층에서 이 차이들을 결합하고 누적한다. 세 번째 분류기는 C-ELM에 안정성을 제공하기 위해 다수의 C-ELM을 포함하는 앙상블 C-ELM (EC-ELM)이다. 실험 결과로서 제안된 시스템은 아주 우수한 매칭성능을 보였다. 최고 매칭 성능은 99.89%의 인식정확도와 영상 한 장당 처리속도가 0.87ms를 보였다.

목차 (Table of Contents)

• Table of Contents i
• List of Figures iii
• List of Tables v
• List of Acronyms vi
• Abstract 1
• Chapter 1. Introduction 6
• 1.1 Research background 6
• 1.2 Finger vein as biometrics 8
• 1.3 Recognition system 9
• 1.4 Challenges in existing technologies 10
• 1.4.1 Challenges of finger vein capture 10
• 1.4.2 Challenges of vein quality metrics 11
• 1.4.3 Challenges of enhancement for the low quality image 11
• 1.4.4 Challenges of vein feature extraction 12
• 1.4.5 Challenges of vein matching based on the classifier 12
• 1.5 Proposed recognition system 13
• 1.5.1 Quality estimation system 13
• 1.5.2 Enhancement and feature extraction 14
• 1.5.3 ELM classifier 15
• 1.6 Outlines 15
• Chapter 2. Finger Vein Recognition System 17
• 2.1 Finger vein characteristics 17
• 2.1.1 Physical feature 17
• 2.1.2 Minutiae feature 19
• 2.1.3 Vein contour feature 20
• 2.2 Previous works 21
• 2.2.1 Finger vein capture device 21
• 2.2.2 Quality estimation methods 24
• 2.2.3 Enhancement methods 24
• 2.2.4 Feature extraction methods 25
• 2.2.5 Matching methods 30
• Chapter 3. Proposed Recognition System 35
• 3.1 Pre-processing 36
• 3.2 Proposed feature extraction method 38
• 3.2.1 Guided directional filter for vein contour extraction 38
• 3.2.2 Multi guided directional filter 42
• 3.2.3 Block-based average absolute deviation feature extraction 43
• 3.3 Matching based on ELM 46
• 3.3.1 Single Extreme Learning Machine 47
• 3.3.2 Ensemble Extreme Learning Machine 50
• 3.3.3 Component-based ELMs model 52
• 3.3.4 Ensemble components based ELMs 56
• 3.4 Finger vein quality estimation 57
• 3.4.1 Hierarchy structure feature 58
• 3.4.2 Appearance quality 59
• 3.4.3 Vein pattern quality 60
• 3.4.4 Vein minutiae quality 63
• 3.4.5 Final quality score 65
• 3.4.6 Quality metrics computation 65
• Chapter 4. Experimental Results 68
• 4.1 Database 68
• 4.2 Quality estimation performance 69
• 4.3 Enhancement performance 70
• 4.4 Matching performane 72
• 4.4.1 Determination of the block Size 72
• 4.4.2 Component feature analysis 73
• 4.4.3 Comparisons of the adaptive and average weighted C-ELMs model 75
• 4.4.4 Performance of S-ELM,E-ELMs,C-ELMs,and EC-ELMsmodels 78
• 4.4.5 Comparisons with the existing methods 84
• 4.5 Invariance performance 86
• 4.6 Matching error analysis 87
• Chapter 5. Conclusions and Future Works 89
• Acknowledgemens 91
• References 93