[論文レビュー] Multispectral Palmprint Recognition Using a Hybrid Feature

Sina Akbari Mistani, Shervin Minaee+1 more|arXiv (Cornell University)|Dec 27, 2011

Biometric Identification and Security参考文献 29被引用数 13

ひとこと要約

本稿では、多スペクトルパームプリント認識のため、パームラインエネルギーと局所ウェーブレットエネルギーを組み合わせたハイブリッド特徴量を提案し、最小距離分類器を用いてPolyU多スペクトルパームプリントデータセットで98.8%の正確性を達成した。この手法は、構造的特徴とテクスチャベース特徴を統合することにより、類似したラインパターンや低品質な画像に対してもより高いロバスト性を実現する。

ABSTRACT

Personal identification problem has been a major field of research in recent years. Biometrics-based technologies that exploit fingerprints, iris, face, voice and palmprints, have been in the center of attention to solve this problem. Palmprints can be used instead of fingerprints that have been of the earliest of these biometrics technologies. A palm is covered with the same skin as the fingertips but has a larger surface, giving us more information than the fingertips. The major features of the palm are palm-lines, including principal lines, wrinkles and ridges. Using these lines is one of the most popular approaches towards solving the palmprint recognition problem. Another robust feature is the wavelet energy of palms. In this paper we used a hybrid feature which combines both of these features. %Moreover, multispectral analysis is applied to improve the performance of the system. At the end, minimum distance classifier is used to match test images with one of the training samples. The proposed algorithm has been tested on a well-known multispectral palmprint dataset and achieved an average accuracy of 98.8\%.

研究の動機と目的

• 同じ主ラインを持つパームや特徴が不明瞭なパームにおける線ベース特徴の識別性の低さといった、線ベースパームプリント認識の限界を解消すること。
• 低品質な画像や重複するパターンの影響により、パームライン抽出が困難になる課題に対処すること。
• 構造的（パームライン）特徴とテクスチャベース（ウェーブレットエネルギー）特徴を統合することで、認識正確性を向上させること。
• 限られた学習データの状況でも適応可能な、ロバストでスケーラブルな手法を開発すること。
• 多スペクトルイメージングが特徴の多様性と認識性能の向上にどのように寄与するかを実証すること。

提案手法

• 平滑化されたパームプリント画像にラプラシアンマスクを適用することで、主ラインとそのエネルギー分布を検出することにより、パームライン特徴を抽出する。
• パーム画像の重複しないブロックに3段階の離散ウェーブレット変換（DWT）を適用し、局所ウェーブレットエネルギーを計算する。
• パームライン特徴ベクトルとウェーブレット特徴ベクトルの両方を同じダイナミックレンジに正規化して、一方の特徴タイプが優位になるのを防ぐ。
• 要素ごとの加算により、正規化された特徴を統合し、単一のハイブリッド特徴ベクトルを構築する。
• テストサンプルを最も近いトレーニングテンプレートにマッチングする最小距離分類器を用いて分類を実行する。
• 各個人の複数のトレーニング画像の平均特徴ベクトルを、その人の参照テンプレートとして使用する。

実験結果

リサーチクエスチョン

• RQ1 パームラインエネルギーとウェーブレットエネルギーを統合することで、多スペクトルパームプリントシステムにおける認識正確性が向上するか？
• RQ2 特にデータが限られた状況において、トレーニングサンプルとテストサンプルの比率が変化しても、提案手法のハイブリッド特徴はどのように性能を示すか？
• RQ3 線ベース特徴と変換ベース特徴を統合することで、曇ったまたは曖昧なパームラインに対するロバスト性が向上するか？
• RQ4 同じベンチマークデータセット上で、従来の最先端手法（PCA+GWRおよびQPCA）と比較して、提案手法はどのように性能を発揮するか？
• RQ5 トレーニングサンプル数を減らすと、ハイブリッド特徴アプローチの認識正確性にどの程度の影響が生じるか？

主な発見

• 提案されたハイブリッド特徴アプローチは、1人あたり12枚中6枚をトレーニングに使用した場合、PolyU多スペクトルパームプリントデータセットで98.8%の認識正確性を達成した。
• 1人あたり4枚のトレーニングサンプル（4/12比）でのみ使用した場合でも、正確性は98.08%を維持し、低データ条件下での優れた一般化性能を示した。
• PCA+GWR手法（6/12比で95.17%の正確性）およびQPCA手法（6/12比で98.13%の正確性）を上回り、98.88%の正確性を達成した。
• ウェーブレットベース特徴のみで98.49%の正確性を達成したため、その強力な識別性能が示された一方で、ライン特徴のみでは94.58%にとどまり、単独では相対的に弱さが見られた。
• 複数回のランダムなトレーニング/テスト分割を繰り返した結果、正確性は安定しており、10回の繰り返し実験における平均正確性は98.8%であった。
• 両特徴の統合により、単独の特徴セットよりも顕著に性能が向上したため、構造的特徴とテクスチャベース特徴からの補完的情報の有効性が確認された。