[論文レビュー] Feature Level Clustering of Large Biometric Database

Hunny Mehrotra, Dakshina Ranjan Kisku+3 more|arXiv (Cornell University)|Feb 2, 2010

Face and Expression Recognition参考文献 7被引用数 3

ひとこと要約

本稿では、バイオメトリック識別を目的とした大規模なオフライン署名データベースを効率的に分割するため、特徴レベルでのファジィクラスタリング手法を提案する。グローバルおよびローカル記述子を組み合わせたファジィc-平均クラスタリングにより、従来のk-meansよりもより効果的に探索空間を削減し、実験では低いバインミス率を達成した。

ABSTRACT

This paper proposes an efficient technique for partitioning large biometric database during identification. In this technique feature vector which comprises of global and local descriptors extracted from offline signature are used by fuzzy clustering technique to partition the database. As biometric features posses no natural order of sorting, thus it is difficult to index them alphabetically or numerically. Hence, some supervised criteria is required to partition the search space. At the time of identification the fuzziness criterion is introduced to find the nearest clusters for declaring the identity of query sample. The system is tested using bin-miss rate and performs better in comparison to traditional k-means approach.

研究の動機と目的

• 特徴に自然な順序が存在しない大規模バイオメトリクスデータベースの効率的インデキシングという課題に対処する。
• 識別処理中に探索空間を削減するため、シーケンシャルサーチの代わりにクラスタリングを用いてバイオメトリクスデータを分割する。
• 特徴類似度の不確実性を扱うためにファジィクラスタリングを活用し、識別精度を向上させる。
• グローバルおよびローカル記述子を用いた特徴レベルのクラスタリングにより、大規模バイオメトリクスシステムにスケーラブルなソリューションを構築する。
• バインミス率という観点から、従来のk-meansクラスタリングに比べて優れた性能を示すことを実証する。

提案手法

• オフライン署名画像からグローバルおよびローカル記述子を抽出し、包括的な特徴ベクトルを構成する。
• 類似度に基づいて特徴ベクトルをクラスタにグループ化するため、ファジィc-平均クラスタリングを適用する。この際、部分的所属を許容する。
• 識別処理中に不確実性基準（ファジィネス基準）を用い、照合サンプルが最も可能性の高いクラスタを特定する。
• 識別処理中の探索空間を削減するために、データベースを特徴レベルでクラスタに分割する。
• バイオメトリクス特徴の高次元性および順序のない性質に対応できるように、クラスタリングプロセスを最適化する。
• 従来のk-meansとの比較のため、主にバインミス率を指標として性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 特徴に自然な順序が存在する場合、大規模バイオメトリクスデータベースはどのように効率的に分割できるか？
• RQ2 従来のk-meansと比較して、特徴レベルでのファジィクラスタリングは識別性能を向上させることができるか？
• RQ3 グローバルおよびローカル記述子を併用することで、クラスタリングの正確性および探索効率にどのような影響を与えるか？
• RQ4 不確実性や重複する特徴領域において、ファジィネス基準は識別プロセスにどのように寄与するか？
• RQ5 大規模バイオメトリクスシステムにおいて、特徴レベルのクラスタリングはバインミス率をどの程度低減できるか？

主な発見

• 提案手法の特徴レベルファジィクラスタリングは、従来のk-means法よりも低いバインミス率を達成した。
• ファジィクラスタリングは、バイオメトリクス特徴空間における不確実性および重複を効果的に処理し、識別性能のロバスト性を向上させた。
• グローバルおよびローカル記述子の統合により、クラスタリングに用いる特徴ベクトルの識別力が向上した。
• クラスタリングに基づくデータ分割により、識別処理中の探索空間が顕著に削減され、スケーラビリティが向上した。
• より良いクラスタ分離および所属割り当てにより、大規模バイオメトリクス応用において性能が向上した。
• 結果から、固有の特徴の曖昧性を有するバイオメトリクスデータのインデキシングには、ファジィクラスタリングがクリップスk-meansよりも適していることが確認された。