[論文レビュー] Palm Vein Identification based on hybrid features selection model

Mohammed Hamzah Abed, Ali Hakem Alsaeedi+3 more|arXiv (Cornell University)|Jul 31, 2020

Biometric Identification and Security参考文献 28被引用数 6

ひとこと要約

本稿では、2次元離散ウェーブレット変換（2D-DWT）、主成分分析（PCA）、粒子群最適化（PSO）を組み合わせたハイブリッド特徴選択モデル2D-DWTPPを提案し、掌静脈識別（PVI）の精度を向上させることを目的としている。この手法は特徴の重複を低減し、PSOラッパー型モデルを用いて最適な特徴を特定することで、SVMを用いた場合に98.65%の精度を達成した。これは、AlexNet（63.5%）や特徴選択なしのベースライン分類器（78.79%）を著しく上回っている。

ABSTRACT

Palm vein identification (PVI) is a modern biometric security technique used for increasing security and authentication systems. The key characteristics of palm vein patterns include, its uniqueness to each individual, unforgettable, non-intrusive and cannot be taken by an unauthorized person. However, the extracted features from the palm vein pattern are huge with high redundancy. In this paper, we propose a combine model of two-Dimensional Discrete Wavelet Transform, Principal Component Analysis (PCA), and Particle Swarm Optimization (PSO) (2D-DWTPP) to enhance prediction of vein palm patterns. The 2D-DWT Extracts features from palm vein images, PCA reduces the redundancy in palm vein features. The system has been trained in selecting high reverent features based on the wrapper model. The PSO feeds wrapper model by an optimal subset of features. The proposed system uses four classifiers as an objective function to determine VPI which include Support Vector Machine (SVM), K Nearest Neighbor (KNN), Decision Tree (DT) and Naïve Bayes (NB). The empirical result shows the proposed system Iit satisfied best results with SVM. The proposed 2D-DWTPP model has been evaluated and the results shown remarkable efficiency in comparison with Alexnet and classifier without feature selection. Experimentally, our model has better accuracy reflected by (98.65) while Alexnet has (63.5) and applied classifier without feature selection has (78.79).

研究の動機と目的

• 掌静脈パターン認識における高次元的・重複する特徴の問題に対処すること。
• 掌静脈識別（PVI）システムの精度と効率を向上させること。
• 複数の最適化および次元削減技術を統合したハイブリッド特徴選択モデルの開発。
• 提案モデルの性能を複数の分類器、特にSVMを用いて評価すること。
• PVIタスクにおいて、ディーブラーニング（AlexNet）や最適化なしの分類器を上回ることを実証すること。

提案手法

• 掌静脈画像からマルチスケール特徴を抽出するために、2次元離散ウェーブレット変換（2D-DWT）を適用する。
• 2D-DWTの出力から冗長な特徴を除去し次元削減を行うために、主成分分析（PCA）を用いる。
• 最適な特徴サブセットを特定するため、ラッパー型探索アルゴリズムとして粒子群最適化（PSO）を採用する。
• PSOで最適化された特徴をラッパー型モデルに統合し、SVM、KNN、DT、ナイーブベイズの4つの分類器を用いて性能を評価する。
• 分類精度を主評価指標として、掌静脈画像のデータセットを用いてシステムを学習および検証する。
• 評価段階で優れた性能を示したため、最終分類器としてサポートベクターマシン（SVM）を採用する。

実験結果

リサーチクエスチョン

• RQ1 2D-DWT、PCA、PSOを統合したハイブリッド特徴選択モデルは、掌静脈識別の精度を向上させることができるか？
• RQ2 提案された2D-DWTPPモデルは、AlexNetのようなディーブラーニングモデルと比較して、掌静脈認識タスクでどのように性能を発揮するか？
• RQ3 SVM、KNN、DT、ナイーブベイズのうち、どの分類器が提案された特徴選択フレームワークと組み合わせて最も優れた性能を示すか？
• RQ4 特徴選択は、掌静脈システムにおける冗長性低減と分類性能向上にどの程度寄与するか？
• RQ5 PSOラッパー型モデルは、掌静脈パターン分類に最も関連性の高い特徴を効果的に特定できるか？

主な発見

• 提案された2D-DWTPPモデルは、SVM分類器を用いて98.65%の分類精度を達成した。これは、特徴選択なしのベースライン分類器（78.79%）を著しく上回っている。
• AlexNet（63.5%）をも凌駕した。これは、最適化を伴う特徴工学が、この特定のバイオメトリクスタスクにおいてディーブラーニングを上回ることを示している。
• 提案されたフレームワーク内では、SVMが最も効果的な分類器であり、4つのテスト分類器の中で最高の精度を示した。
• PSOをラッパー型モデルに統合することで、関連性の高い特徴の効果的な選択が可能になり、冗長性の低減とモデルの一般化性能の向上が達成された。
• PCAは2D-DWTで抽出された特徴の次元を効果的に削減し、計算効率の向上と性能の改善に寄与した。
• ハイブリッドモデルは、掌静脈パターン認識において強固で効率的であることが示され、信号処理、次元削減、メタヒューリスティック最適化の統合の価値を浮き彫りにした。