본문 바로가기
KERD
논문KCI 등재

Triple Attention U-Net 기반 손바닥 다중채널영상 및 CNN 분류기 앙상블 모델을 이용한 비접촉식 신원 인식 시스템

Contactless User Identification System using Multi-channel Palm Images Facilitated by Triple Attention U-Net and CNN Classifier Ensemble Models

김범준|곽정환|우성희|김인기
한국컴퓨터정보학회 (The Korean Society Of Computer And Information)|2022.03|한국컴퓨터정보학회논문지 (Journal of The Korea Society of Computer and Information)|제27권 제3호|pp. 33-43|DOI https://doi.org/10.9708/jksci.2022.27.03.033

1

조회

0

다운로드

1

인용

0

참고문헌

키워드

Attention U-Net손바닥 기반 신원 인식비접촉식 신원 인식 시스템멀티채널 영상어텐션 유넷CNN 모델 앙상블Palm-based IdentificationContactless Identification SystemMulti-channel imageEnsemble of Pre-trained CNN Models
주제분류컴퓨터학

초록

본 논문에서는 기존의 스마트폰 카메라 센서를 사용하여 비접촉식 손바닥 기반 사용자 식별 시스템을구축하기 위해 Attention U-Net 모델과 사전 훈련된 컨볼루션 신경망(CNN)이 있는 다채널 손바닥 이미지를이용한 앙상블 모델을 제안한다. Attention U-Net 모델은 손바닥(손가락 포함), 손바닥(손바닥 미포함) 및 손금을 포함한 관심 영역을 추출하는 데 사용되며, 이는 앙상블 분류기로 입력되는 멀티채널 이미지를 생성하기위해 결합 된다. 생성된 데이터는 제안된 손바닥 정보 기반 사용자 식별 시스템에 입력되며 사전 훈련된CNN 모델 3개를 앙상블 한 분류기를 사용하여 클래스를 예측한다. 제안된 모델은 각각 98.60%, 98.61%, 98.61%, 98.61%의 분류 정확도, 정밀도, 재현율, F1-Score를 달성할 수 있음을 입증하며, 이는 저렴한 이미지센서를 사용하고 있음에도 불구하고 제안된 모델이 효과적이라는 것을 나타낸다. 본 논문에서 제안하는모델은 COVID-19 펜데믹 상황에서 기존 시스템에 비하여 높은 안전성과 신뢰성으로 대안이 될 수 있다.

Abstract

In this paper, we propose an ensemble model facilitated by multi-channel palm images with attention U-Net models and pretrained convolutional neural networks (CNNs) for establishing a contactless palm-based user identification system using conventional inexpensive camera sensors. Attention U-Net models are used to extract the areas of interest including hands (i.e., with fingers), palms (i.e., without fingers) and palm lines, which are combined to generate three channels being ped into the ensemble classifier. Then, the proposed palm information-based user identification system predicts the class using the classifier ensemble with three outperforming pre-trained CNN models. The proposed model demonstrates that the proposed model could achieve the classification accuracy, precision, recall, F1-score of 98.60%, 98.61%, 98.61%, 98.61% respectively, which indicate that the proposed model is effective even though we are using very cheap and inexpensive image sensors. We believe that in this COVID-19 pandemic circumstances, the proposed palm-based contactless user identification system can be an alternative, with high safety and reliability, compared with currently overwhelming contact-based systems.

참고문헌 (31)

  1. 박종민, "안전하고 효율적인 신원확인을 위한 암호기반 시스템", 한국정보통신학회논문지, 13(1), pp.81~86 (2009), 한국정보통신학회
  2. Y. Fu, "A New RFID-USB Key", 2007 International Workshop on Anti-Counterfeiting, Security and Identification (ASID), pp.440~443 (2007)
  3. 이영숙, "Security Enhancement to an Biometric Authentication Protocol for WSN Environment", 융합보안 논문지, 16(6), pp.83~88 (2016), 한국융합보안학회
  4. H. Sung, "On-line Signature Identification Based on Writing Habit Information", Proceedings of the Korean Information Science Society Conference, 30(1), pp.322~324 (2003)
  5. M. M. H. Ali, "Overview of fingerprint recognition system", 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), pp.1334~1338 (2016)
  6. 김희승, "새로운 정합 알고리즘을 이용한 손가락 정맥 인식 방법", 정보과학회논문지 : 소프트웨어 및 응용, 37(11), pp.859~865 (2010), 한국정보과학회
  7. 최광미, "딥러닝 합성곱 신경망(CNN)을 이용한 효율적인 홍채인식", 한국전자통신학회 논문지, 15(3), pp.521~526 (2020), 한국전자통신학회
  8. S-E. Hong, "Deep CNN-based Person identification using Facial and Clothing Features", Journal of IEIE, 2016(6), pp.2204~2207 (2016)
  9. J. Gwak, "Multi-object tracking through learning relational appearance features and motion pattenrs", Computer Vision and Image Understanding, 162, pp.103~115 (2017)[DOI]
  10. E. Yang, "Conditional random filed (CRF)-boosting: constructing a robust online hybrid boosting multiple object tracker facilitated by CRF learning", Sensors, 17(3) (2017)[DOI]
  11. "Focus on the next generation of biometric security technologies" (2021)[URL]
  12. 김슬빈, "손금과 손바닥 정맥을 함께 이용한 심층 신경망 기반 사용자 인식", 방송공학회 논문지, 23(3), pp.395~402 (2018), 한국방송∙미디어공학회[DOI]
  13. L. G. Oldal, "Hand geometry and palmprint-based authentication using image processing", 2020 IEEE 18th International Symposium on Intelligent Systems and Informatics (SISY), pp.125~130 (2020)
  14. G. Jaswal, "Multiple feature fusion for unconstrained palm print authentication", Computers & Electrical Enginneering, 72, pp.53~78 (2018)[DOI]
  15. T. P. Van, "Efficient Palm-Line Segmentation with U-Net Context Fusion Module", International Conference on Advanced Computing and Applications(ACOMP), pp.23~28 (2020)
  16. S. C. Soh, "A Review: Personal Identification Based on Palm Vein Infrared Pattern", Journal of Telecommunication, Electronic and Computer Engineering(JTEC), 10(10), pp.175~180 (2018)
  17. O. Oktay, "Attetion U-Net : Learning Where to Look for the Pancreas", ~ (2018)
  18. O. Ronneberger, "U-Net : Convolutional Networks for Biomedical Image Segmentation", Medical Image Computing and Computer-Assisted Intervention, pp.234~241 (2015)
  19. 임현석, "시공간 변환 네트워크를 사용한 생성 옵티컬플로우 기반 이상객체 검지 기법", 한국컴퓨터정보학회논문지, 26(4), pp.11~19 (2021), 한국컴퓨터정보학회[DOI]
  20. 강재용, "장면 복잡도 기반 적응적 얼굴 마스크 탐지 모델", 한국컴퓨터정보학회논문지, 26(5), pp.1~8 (2021), 한국컴퓨터정보학회[DOI]
  21. A. Krizhevsky, "ImageNet classification with deep convolutional neural networks", (2012)In Proceedings of the 25th International Conference on Neural Information Processing Systems, 60(6), pp.84~90 (2017)
  22. G. Huang, "Densely Connected Convolutional Networks", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.4700~4708 (2017)
  23. M. Tan, "EfficientNet: Rethinking Model Scaling for Convolutional Nerual Networks", International conference on machine learning, pp.6105~6114 (2019)
  24. C. Szegedy, "Rethinking the Inception Architecture for Computer Vision", 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.2818~2826 (2016)
  25. M. Tan, "MnasNet : Platform-Aware Neural Architecture Search for Mobile", Proceedings of the IEEE, 2019, 2820~2828
  26. G. Andrew, "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications", ~ (2017)
  27. K. He, "Deep Residual Learning for Image Recognition", 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.770~778 (2016)
  28. S. Xie, "Aggregated Residual Transformations for Deep Neural Networks", Proceddings of the IEEE conference on computer vision and pattern recognition, pp.1492~1500 (2017)
  29. X. Zhang, "ShuffleNet: An Extremely Efficient Convolutional Nerual Network for Mobile Devices", Proceddings of the IEE conference on computer vision and pattern recognition, pp.6848~6856 (2018)
  30. K. Simonyan, "Very Deep Convolutional Networks for Large-Scale Image Recognition", ~ (2014)
  31. 강재용, "딥러닝 기반 특징 앙상블을 사용한 MRI 영상의 뇌종양 분류", 한국컴퓨터정보학회논문지, 26(7), pp.37~44 (2021), 한국컴퓨터정보학회[DOI]

이 간행물의 다른 논문 (25건)

해양관측부이 기상정보에 기계학습을 활용한 해상 익수자 이동경로 예측문호석, 한정욱pp. 1-12적응 학습을 이용한 영어 학습자의 LSTM 신경 언어 모델에서 문장 임베딩 진단김유희pp. 13-23표준형 AI 교육과정 기반의 국내 대학의 AI 전공 교육과정 현황 분석김두현, 이원주, 김상일, 김한성pp. 25-31V-Catch Vision 시스템 개발 및 평가조용주, 김동근, 박경신pp. 45-52빅카인즈 시스템을 활용한 게더타운 뉴스 빅데이터 분석최수이pp. 53-61
원문 보기