개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 백중환
- 발행연도
- 2016
- 저작권
- 한국항공대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 금융권의 비대면 금융거래 증가에 따른 생체인식 시스템의 활용도가 증가하고 있다. 정맥 인식, 지문 인식과 더불어 스마트 전자서명인식 기술은 금융을 뜻하는 파이낸셜(financial)과 기술을 뜻하는 테크놀러지(technology)의 합성어인 핀테크(FinTech)의 새로운 보안 솔루션으로 주목받고 있다. 본 논문에서는 키넥트(Kinect)를 통해 얻은 깊이 영상에서 찾아낸 손가락의 끝점으로 임의의 3차원 공간인 공중에 그린 서명을 인식하는 알고리즘을 제안한다. 사용자가 3차원 공간에서 서명한 궤적의 시프팅(Shifting)과 스케일링(Scaling) 변화에 대응하기 위해 X, Y, Z 좌표에 관한 특징으로 각각 10개씩 총 30개의 통계적 특징을 사용하였다. 주성분 분석(Principal Component Analysis)은 정보의 손실을 최소화하면서 차원을 축소하는 방법이며, 30개의 특징을 10개의 특징으로 축소하는 데 사용하였다. 인공신경망(Artificial Neural Network)은 기계학습 중 하나로 입력과 출력 노드의 개수를 쉽게 설정할 수 있어 복잡한 분류 문제를 해결하기 위한 도구로 사용되고 있다. 선행 연구와 비교하기 위해 학습 데이터로는 제스처 인식에 사용되는 $1 Gesture Recognizer Dataset의 서명 15개를 100개씩 직접 취득하였고, 평가 데이터 또한 서명마다 100개씩 총 1,500개를 추가로 취득하였다. 제안한 알고리즘을 실제 온라인 서명인식 시스템을 구현하여 적용하였고, 인공신경망의 입력값으로 앞서 추출한 통계적 특징을 사용하여 학습 과정을 거친 후 15가지 서명을 분류하는 것을 확인하였다. 최종 인식률은 98.47%로 나타났다.
목차
1. 서론 12. 서명(Signature) 32.1 서명 32.2 서명인식 기술의 연구 동향 43. 서명 데이터 취득 기법 53.1 Kinect를 이용한 서명 궤적 취득 53.1.1 스켈레톤 데이터 53.1.2 손끝점 추출 53.1.3 서명 궤적 정규화 방법 73.2 특징 벡터(Feature Vector) 83.2.1 특징 벡터 83.2.2 3차원 통계적 특징 정의 103.2.3 특징 정규화 방법 144. 서명 학습을 통한 서명인식 기법 164.1 주성분 분석(PCA) 164.2 인공신경망(ANN) 184.3 다층 퍼셉트론(MLP)의 학습 구조 195. 실험 결과 및 분석 205.1 실험 환경 205.1.1 실험 데이터 205.1.2 성능 평가 방법 225.2 선행 연구의 실험 결과 235.2.1 은닉 마르코프 모델(HMM) 사용 235.3 제안한 알고리즘의 실험 결과 245.3.1 통계적 특징 30개 사용 245.3.2 주성분 분석(PCA) 사용 255.3.3 통계적 특징 10개 사용 275.4 알고리즘 성능 비교 286. 결론 30SUMMARY 35
최근 본 자료
댓글(0)
0