[論文レビュー] Highly Accurate Multispectral Palmprint Recognition Using Statistical and Wavelet Features

Shervin Minaee, AmirAli Abdolrashidi|arXiv (Cornell University)|Aug 16, 2014

Biometric Identification and Security参考文献 22被引用数 9

ひとこと要約

本論文では、空間的および周波数領域特徴を組み合わせた統計的およびウェーブレットベースの特徴を用いて、パームプリントの空間的および周波数ドメイン特性を捉える高精度なパームプリント認識システムを提案する。最小距離分類器または重み付き多数決投票を用いた実験で、マルチスペクトルパームプリントデータセット上で99.65%〜100%の精度を達成し、限られた学習データでも高い頑健性を示している。

ABSTRACT

Palmprint is one of the most useful physiological biometrics that can be used as a powerful means in personal recognition systems. The major features of the palmprints are palm lines, wrinkles and ridges, and many approaches use them in different ways towards solving the palmprint recognition problem. Here we have proposed to use a set of statistical and wavelet-based features; statistical to capture the general characteristics of palmprints; and wavelet-based to find those information not evident in the spatial domain. Also we use two different classification approaches, minimum distance classifier scheme and weighted majority voting algorithm, to perform palmprint matching. The proposed method is tested on a well-known palmprint dataset of 6000 samples and has shown an impressive accuracy rate of 99.65\%-100\% for most scenarios.

研究の動機と目的

• 空間的および周波数ドメイン特徴を組み合わせることで、パームプリント認識の精度を向上させること。
• 変換ベースまたはラインベースの特徴に依存する既存手法の限界を解決すること。
• 実世界への導入に適した、学習不要の高速な認識システムを開発すること。
• 特に低データ条件下での性能を評価するため、学習サンプルとテストサンプルの比率を変化させた評価を実施すること。
• マルチスペクトルイメージングを活用し、照明条件や画像品質の変動に対する認識の頑健性を向上させること。

提案手法

• 事前処理済みのパームプリント画像を重複のないブロックに分割し、局所的な特徴抽出を実施する。
• 各ブロックから、空間的強度分布および一般的なテクスチャパターンを捉えるための5つの統計的特徴を抽出する。
• 離散ウェーブレット変換（DWT）を適用し、高周波数成分や繊細なテクスチャを強調する9つのウェーブレットベース特徴を抽出する。
• テストサンプルと学習サンプルの類似度に基づいた直接的なマッチングを実現するため、最小距離分類器を用いる。
• 複数の特徴セットからの意思決定を統合することで頑健性を向上させるため、重み付き多数決投票アルゴリズムを採用する。
• 評価のために、赤、緑、青、赤外線（NIR）照明下での128×128画素の画像を含むPolyUマルチスペクトルパームプリントデータベースを活用する。

実験結果

リサーチクエスチョン

• RQ1 統計的特徴とウェーブレットベース特徴を組み合わせることで、既存手法を上回るパームプリント認識精度を達成できるか？
• RQ2 学習データが限られた場合、特に低学習対テスト比条件下で、本手法はどのように性能を発揮するか？
• RQ3 空間的および周波数ドメイン特徴の統合により、ノイズや低品質な画像に対する頑健性が向上するか？
• RQ4 最小距離分類器と比較して、重み付き多数決投票分類器は精度および安定性の面で優れているか？
• RQ5 学習を必要としない、特徴抽出に特化したシステムが、パームプリント認識分野で最先端の性能を達成できるか？

主な発見

• 学習に12個のサンプルのうち6個を使用した場合、最小距離分類器を用いることで100%の認識精度を達成した。
• 学習に12個のサンプルのうち3個しか使用しなかった場合、重み付き多数決投票分類器は99.95%の精度を達成し、最小距離分類器を上回った。
• 全テスト比率において、99.65%〜100%の高い精度を維持したため、低データ条件下でも優れた一般化性能を示した。
• K-PCA+GWR（95.17%）、クaternion PCA（98.13%）、MDA+GWR（98.81%）を含む5つの最先端手法を上回った。
• 重み付き多数決投票アプローチは99.99%の精度を達成し、方向勾配ヒストグラム（99.97%）およびテクスチャ特徴（100%）の手法を上回った。
• 各テストサンプルの処理時間は約0.05秒であり、リアルタイム応用に適した高い計算効率を示した。