[論文レビュー] Iris Recognition Using Scattering Transform and Textural Features

Shervin Minaee, AmirAli Abdolrashidi+1 more|arXiv (Cornell University)|Jul 8, 2015

Biometric Identification and Security参考文献 18被引用数 12

ひとこと要約

本論文では、散乱変換特徴量とハラリックテクスチャ特徴量を組み合わせ、次にPCAによる次元削減と最小距離分類を適用する、新しい虹彩認識手法を提案する。本手法は、虹彩セグメンテーションを必要とせず、IIT Delhi虹彩データベースで99.2%の正確性を達成しており、最先端の性能を示し、リアルタイム応用に適していることが示された。

ABSTRACT

Iris recognition has drawn a lot of attention since the mid-twentieth century. Among all biometric features, iris is known to possess a rich set of features. Different features have been used to perform iris recognition in the past. In this paper, two powerful sets of features are introduced to be used for iris recognition: scattering transform-based features and textural features. PCA is also applied on the extracted features to reduce the dimensionality of the feature vector while preserving most of the information of its initial value. Minimum distance classifier is used to perform template matching for each new test sample. The proposed scheme is tested on a well-known iris database, and showed promising results with the best accuracy rate of 99.2%.

研究の動機と目的

• 複雑な虹彩セグメンテーションを回避する、耐障害性があり、高速かつ高精度な虹彩認識システムの開発。
• 散乱変換の高周波数特徴とテクスチャ特徴を活用し、認識性能の向上を図ること。
• PCAを用いて特徴次元を効果的に削減し、識別的情報を保持すること。
• 標準ベンチマークデータセット上で提案手法を評価し、既存の最先端手法と比較すること。

提案手法

• ウェーブレット変換の級列を用いて、虹彩画像からグローバルに散乱変換特徴量を抽出する。これには、複素絶対値と局所平均化が含まれる。
• 正規化されたグレーレベル共起行列から14個のハラリックテクスチャ特徴量を計算し、局所的なテクスチャパターンを捉える。
• 散乱特徴量とハラリック特徴量を連結し、1つの高次元特徴ベクトルを構成する。
• 主成分分析（PCA）を適用して、結合特徴ベクトルの次元を削減し、大部分の分散を保持する。
• ユークリッド距離に基づいて、テストサンプルをトレーニングテンプレートと照合する最小距離分類器を用いる。
• 虹彩セグメンテーションを完全に省き、生の眼画像を直接特徴抽出に使用することで、処理速度とリアルタイム実装可能性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 散乱変換とハラリックテクスチャ特徴量の組み合わせが、既存手法を上回る虹彩認識正確性を実現できるか？
• RQ2 虹彩セグメンテーションを排除することで、認識システムの処理速度と実用性がどの程度向上するか？
• RQ3 PCAは認識性能を劣化させることなく、特徴次元をどの程度効果的に削減できるか？
• RQ4 散乱特徴量に高周波数情報を組み込むことで、虹彩認識における識別的パワーが顕著に向上するか？

主な発見

• 提案手法は、IIT Delhi虹彩データベースで99.2%の認識正確性を達成し、以前の最先端手法を上回った。
• 1枚あたりの処理時間は約11msであり、リアルタイム応用に適していることが示された。
• 虹彩セグメンテーションの欠如により、パイプラインが著しく単純化され、計算効率が向上した。
• 散乱特徴量とハラリック特徴量の統合により、高周波数情報とテクスチャ情報の補完的性質のおかげで、優れた識別的パワーが得られた。
• PCAにより特徴次元が効果的に削減され、80個の主成分でさえも高い認識正確性を維持した。
• 本手法は、ハールウェーブレット（96.6%）、ログガボール（97.19%）、エラスティックグラフマッチング（98%）といった既存手法をすべて上回った。