[論文レビュー] Cross-Sensor Periocular Biometrics: A Comparative Benchmark including Smartphone Authentication

Fernando Alonso‐Fernandez, Kiran Raja+5 more|arXiv (Cornell University)|Feb 21, 2019

Biometric Identification and Security参考文献 71被引用数 8

ひとこと要約

本論文は、可視光（VW）と近赤外線（NIR）スペクトル間のクロスセンサー周図認証を向上させるために、線形ロジスティック回帰を用いたマルチアルゴリズム統合手法を提案している。FAR=0.01%におけるEERは0.22%、FRRは0.62%を達成し、第1回クロススペクトル虹彩／周図認証コンペティションで最高の性能を記録した。

ABSTRACT

The massive availability of cameras and personal devices results in a wide variability between imaging conditions, producing large intra-class variations and performance drop if such images are compared for person recognition. However, as biometric solutions are extensively deployed, it will be common to replace acquisition hardware as it is damaged or newer designs appear, or to exchange information between agencies or applications in heterogeneous environments. Furthermore, variations in imaging bands can also occur. For example, faces are typically acquired in the visible (VW) spectrum, while iris images are captured in the near-infrared (NIR) spectrum. However, cross-spectrum comparison may be needed if for example a face from a surveillance camera needs to be compared against a legacy iris database. Here, we propose a multialgorithmic approach to cope with cross-sensor periocular recognition. We integrate different systems using a fusion scheme based on linear logistic regression, in which fused scores tend to be log-likelihood ratios. This allows easy combination by just summing scores of available systems. We evaluate our approach in the context of the 1st Cross-Spectral Iris/Periocular Competition, whose aim was to compare person recognition approaches when periocular data from VW and NIR images is matched. The proposed fusion approach achieves reductions in error rates of up to 20-30% in cross-spectral NIR-VW comparison, leading to an EER of 0.22% and a FRR of just 0.62% for FAR=0.01%, representing the best overall approach of the mentioned competition.. Experiments are also reported with a database of VW images from two different smartphones, achieving even higher relative improvements in performance. We also discuss our approach from the point of view of template size and computation times, with the most computationally heavy system playing an important role in the results.

研究の動機と目的

• 画像撮影装置間のクロスセンサーおよびクロススペクトル変動に起因する周図認証性能の低下を是正すること。
• 異種の撮影環境下でも認識精度を向上させるために、複数のバイオメトリクスシステムを統合する耐障害性の高い統合フレームワークを開発すること。
• スマートフォンを用いたVW画像を含む、実世界のクロススペクトルおよびクロスデバイスのシナリオにおいて、提案手法の評価を行うこと。
• 計算コストおよびテンプレートサイズがシステム性能および統合効果に与える影響を分析すること。

提案手法

• 著者らは、複数の周図認証システムからのスコアを統合するため、線形ロジスティック回帰に基づくマルチアルゴリズム統合戦略を採用している。
• 統合スコアは対数尤度比としてモデル化されており、異なるシステムからのスコアを再キャリブレーションなしに直接加算可能である。
• 本手法は、可視光（VW）と近赤外線（NIR）の周図画像間のクロススペクトル比較に適用されており、実際の展開シナリオを模擬している。
• 本手法は、クロススペクトルおよびクロスデバイス（スマートフォン）評価を含む、第1回クロススペクトル虹彩／周図認証コンペティションデータセットを用いて検証された。
• 統合フレームワークはスケーラブルかつ効率的であるように設計されており、計算負荷およびテンプレートサイズにわたる性能分析が行われた。
• 最も計算コストの高いシステムが、最終的な統合結果において顕著な貢献を示しており、アンサンブルにおけるその重要性が浮き彫りになった。

実験結果

リサーチクエスチョン

• RQ1 線形ロジスティック回帰を用いたマルチアルゴリズム統合アプローチは、クロスセンサー周図認証における誤り率低減にどの程度効果的か？
• RQ2 周図バイオメトリクスにおいて、可視光と近赤外線スペクトル間でシステムを統合することで、どの程度の性能向上が達成できるか？
• RQ3 異なるスマートフォンデバイスから撮影された周図画像に、本統合手法を適用した場合、その性能はどのようになるか？
• RQ4 計算コストと精度の観点から、個々のシステムが最終的な統合結果に果たす相対的貢献度はどの程度か？
• RQ5 テンプレートサイズおよび処理時間は、統合システムの全体的な性能および実用的展開にどのように影響を与えるか？

主な発見

• 提案された統合手法は、クロススペクトルNIR-VW周図認証において、等誤り率（EER）0.22%を達成し、第1回クロススペクトル虹彩／周図認証コンペティションで最高の結果を記録した。
• 本手法は、クロススペクトル比較において、個々のシステムと比較して誤り率を最大20〜30%低減した。
• 2台の異なるデバイスからのスマートフォンベースの可視光画像において、統合による相対的な性能向上は、クロススペクトルシナリオよりも顕著であった。
• 偽受容率（FAR）0.01%における偽拒否率（FRR）は0.62%まで低下し、厳しいセキュリティ基準下でも高い信頼性を示した。
• 最も計算コストの高いシステムが、統合結果において重要な役割を果たしており、最終的な性能向上に顕著な貢献をした。
• 出力値を対数尤度比として扱うことで、本統合フレームワークは多様なバイオメトリクスシステム間のスコア統合を効果的に行うことができた。