[論文レビュー] Palmprint image registration using convolutional neural networks and Hough transform

Mohsen Ahmadi, Hossein Soleimani|arXiv (Cornell University)|Apr 1, 2019

Biometric Identification and Security被引用数 5

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）と一般化ハフ変換（GHT）を用いた新規な掌紋画像登録手法を提案する。この手法により、基準画像に掌紋を整合させることで、ミヌーティアベースの照合を著しく高速化する。CNNとGHTを用いて回転と平行移動を推定することで、より高速かつ高精度な照合が可能となり、THUPALMLABデータベース上で1秒間に166件の照合が達成され、EERは0.04%にまで低下した。また、メモリ使用量の削減と左右掌の区別能力の向上も実現した。

ABSTRACT

Minutia-based palmprint recognition systems has got lots of interest in last two decades. Due to the large number of minutiae in a palmprint, approximately 1000 minutiae, the matching process is time consuming which makes it unpractical for real time applications. One way to address this issue is aligning all palmprint images to a reference image and bringing them to a same coordinate system. Bringing all palmprint images to a same coordinate system, results in fewer computations during minutia matching. In this paper, using convolutional neural network (CNN) and generalized Hough transform (GHT), we propose a new method to register palmprint images accurately. This method, finds the corresponding rotation and displacement (in both x and y direction) between the palmprint and a reference image. Exact palmprint registration can enhance the speed and the accuracy of matching process. Proposed method is capable of distinguishing between left and right palmprint automatically which helps to speed up the matching process. Furthermore, designed structure of CNN in registration stage, gives us the segmented palmprint image from background which is a pre-processing step for minutia extraction. The proposed registration method followed by minutia-cylinder code (MCC) matching algorithm has been evaluated on the THUPALMLAB database, and the results show the superiority of our algorithm over most of the state-of-the-art algorithms.

研究の動機と目的

• 1枚の画像に最大1,000個ものミヌーティアが存在するため、ミヌーティアベースの掌紋照合における高い計算コストを軽減すること。
• 画像登録によりすべての掌紋画像を共通の座標系に整合させることで、照合時間を短縮すること。
• 正確な幾何学的整合により、領域間ミヌーティア比較を最小限に抑え、照合精度と速度を向上させること。
• 照合をさらに高速化するために、自動的な左右掌識別を可能とすること。
• 既存の最先端手法と比較して、ミヌーティア記述子のメモリオーバーヘッドを削減すること。

提案手法

• 2段階の登録プロセス：まず、CNNが基準画像に対して掌紋の近似回転角を推定する。
• その後、推定された角度の負の値で画像を回転させ、回転ずれを低減する。
• 一般化ハフ変換（GHT）を適用し、残りの平行移動（x, y）および正確な回転を精密に推定して完全な整合を図る。
• 登録の成功を検証し、耐障害性を向上させるために2つの信頼性基準を導入する。
• CNNは同時にセマンティックセグメンテーションも実行し、後続のミヌーティア抽出に役立つ事前処理済みのセグメンテッド掌紋画像を生成する。
• 整合された画像同士は、ミヌーティアシリンダー符号（MCC）アルゴリズムを用いて照合され、照合は対応する領域間でのみ実施される。

実験結果

リサーチクエスチョン

• RQ1 CNNとGHTを組み合わせたハイブリッド手法は、リアルタイム応用に適した正確で頑健な掌紋画像登録を達成できるか？
• RQ2 提案手法の登録プロセスは、ミヌーティアベースの照合における計算複雑度をどのように低減するか？
• RQ3 自動的な左右掌認識は、照合効率をどの程度向上させるか？
• RQ4 画像品質やパターン密度は、登録成功率にどのような影響を及えるか？
• RQ5 既存の最先端掌紋照合システムと比較して、提案手法の正確性と速度はどのように異なるか？

主な発見

• 提案手法は、THUPALMLABデータベース上で1秒間に166件の掌紋照合を達成し、等誤り率（EER）は0.04%にまで低下した。
• 登録プロセスは1画像あたり約4秒を要するが、登録時（エンrollment時）に1回だけ実行されるため、識別時の実行時コストは一切かからない。
• 9,520枚の掌紋画像のうち、登録に失敗したのは5枚（1%未満）にとどまり、主に画像品質が低いか、特徴的なパターンが欠如しているためであった。
• 1ミヌーティアあたりのメモリ使用量を45バイトにまで削減したが、これは[14]の手法で必要とされる161バイト/ミヌーティアと比べて顕著な削減である。
• 登録を実施しない場合、正確な整合が図られずミヌーティア比較が不適切になるため、照合精度が著しく低下する。
• あらゆる偽適合率（FMR）レベルにおいて、提案手法は複数の最先端アルゴリズムを上回り、照合速度と正確性の両面で優れている。