[論文レビュー] Making Hand Geometry Verification System More Accurate Using Time Series Representation with R-K Band Learning

Vit Niennattrakul, Chotirat Ann Ratanamahatana|ArXiv.org|May 9, 2009

Biometric Identification and Security参考文献 27被引用数 7

ひとこと要約

本稿では、従来のSakoe-Chibaバンドに代えてR-Kバンド学習を組み合わせた動的時間ワープ（DTW）を用いて、手の形状の時系列表現を行うことで、精度を向上させる強化された手の形状認証システムを提案する。この手法は、ユーザー固有のR-Kバンドとしきい値を学習し、偽受容率（FAR）と偽拒否率（FRR）を低減し、等誤り率（EER）における総合的成功率（TSR）を1.8%向上させる。

ABSTRACT

At present, applications of biometrics are rapidly increasing due to inconveniences in using traditional passwords and physical keys. Hand geometry, one of the most well-known biometrics, is implemented in many verification systems with various feature extraction methods. In recent work, a hand geometry verification system using time series conversion techniques and Dynamic Time Warping (DTW) distance measure with Sakoe-Chiba band has been proposed. This system demonstrates many advantages, especially ease of implementation and small storage space requirement using time series representation. In this paper, we propose a novel hand geometry verification system that exploits DTW distance measure and R-K band learning to further improve the system performance. Finally, our evaluation reveals that our proposed system outperforms the current system by a wide margin, in terms of False Acceptance Rate (FAR), False Rejection Rate (FRR), and Total Success Rate (TSR) at Equal Error Rate (EER).

研究の動機と目的

• 固定されたバンド（例：Sakoe-Chiba）に依存する既存の手の形状認証システムの限界、特に個人差への適応性の低さを是正すること。
• 動的時間ワープ（DTW）における適合可能なワーピング窓を提供する、ユーザー固有のR-Kバンド学習を導入することで、類似度マッチングの精度を向上させること。
• 個別化されたしきい値とバンド最適化により、偽受容率（FAR）と偽拒否率（FRR）を低減すること。
• 等誤り率（EER）における標準的なバイオメトリクス指標（FAR、FRR、TSR）を用いて、提案手法の性能を評価すること。
• 時系列表現にR-Kバンド学習を適用した場合、従来のSakoe-Chibaバンドを用いた最先端のシステムを上回ることを示すこと。

提案手法

• 本システムは、重心ベースおよび角度ベースの特徴抽出法を用いて、手の画像を時系列に変換する。
• 動的時間ワープ（DTW）を用いて時系列間の類似度を計算し、固定されたSakoe-Chibaバンドの代わりに、適応可能なワーピングを許容するR-Kバンドを採用する。
• ヒューリスティックな性能評価を基に、境界を再定義しながら、反復的な学習アルゴリズムによりR-Kバンドとユーザー固有のしきい値を最適化する。
• 本アルゴリズムはバンドセグメントのキューを維持し、性能向上が見られないセグメントを再帰的に部分に分割し、終了条件を満たすまで繰り返す。
• 登録時において、個々のユーザーのR-Kバンドとしきい値を学習し、テスト段階では、入力テンプレートを保存済みのユーザーテンプレートと照合するためにそれらを用いる。
• 性能はFAR、FRR、および総合的成功率（TSR）を用いて評価され、結果は等誤り率（EER）において報告される。

実験結果

リサーチクエスチョン

• RQ1 R-Kバンド学習は、固定されたSakoe-Chibaバンドに比べて、手の形状認証システムの精度を向上させることができるか？
• RQ2 時系列表現とDTWを用い、ユーザー固有のR-Kバンドを適用した場合、本システムのFAR、FRR、TSRはどの程度の性能を示すか？
• RQ3 本フレームワークにおいて、重心ベースの時系列変換手法は角度ベースの手法を上回る性能を示すか？
• RQ4 個別化されたR-Kバンドおよびしきい値の学習は、グローバルしきい値アプローチに比べて、誤り率をどの程度低減するか？
• RQ5 本手法は、Sakoe-Chibaバンドを用いた従来の最先端システムに比べ、より低い等誤り率（EER）を達成できるか？

主な発見

• 提案手法は、従来のシステムに比べ、等誤り率（EER）における総合的成功率（TSR）を1.8%向上させ、重心ベース手法を用いることで88.10%に到達した。
• 重心ベース手法を用いることで、偽受容率（FAR）は14.06%から11.72%に低下し、角度ベース手法では25.59%から23.67%に低下した。
• 重心ベースアプローチでは偽拒否率（FRR）が14.30%から11.91%に低下し、角度ベースでは25.78%から23.43%に低下した。
• 重心ベースの時系列変換手法は、常に角度ベースの手法を上回り、EERが低く、TSRが高いという点で、すべての指標で優れた性能を示した。
• ユーザー固有のR-Kバンドとしきい値の使用は、FARとFRRの両方を顕著に低減させ、動的時間ワープにおける個別化されたバンド学習の有効性を示した。