[論文レビュー] Palmprint Recognition Using Deep Scattering Convolutional Network

Shervin Minaee, Yao Wang|arXiv (Cornell University)|Mar 30, 2016

Biometric Identification and Security参考文献 24被引用数 36

ひとこと要約

本稿では、平行移動および回転に対して不変な特徴を抽出するためのディープスキャattering畳み込みネットワーク（DSCN）を用いた掌紋認識システムを提案する。その後、次元削減のためのPCAとSVMまたは最小距離分類器による分類が行われる。本手法は、従来の記述子で失われる高周波数の識別的コンテンツを捉えることで、PolyU掌紋データセットで100%の正確性を達成し、先行する最先端手法を上回る性能を示した。

ABSTRACT

Palmprint recognition has drawn a lot of attention during the recent years. Many algorithms have been proposed for palmprint recognition in the past, majority of them being based on features extracted from the transform domain. Many of these transform domain features are not translation or rotation invariant, and therefore a great deal of preprocessing is needed to align the images. In this paper, a powerful image representation, called scattering network/transform, is used for palmprint recognition. Scattering network is a convolutional network where its architecture and filters are predefined wavelet transforms. The first layer of scattering network captures similar features to SIFT descriptors and the higher-layer features capture higher-frequency content of the signal which are lost in SIFT and other similar descriptors. After extraction of the scattering features, their dimensionality is reduced by applying principal component analysis (PCA) which reduces the computational complexity of the recognition task. Two different classifiers are used for recognition: multi-class SVM and minimum-distance classifier. The proposed scheme has been tested on a well-known palmprint database and achieved accuracy rate of 99.95% and 100% using minimum distance classifier and SVM respectively.

研究の動機と目的

• 複雑な前処理およびアライメント手順に依存しない頑健な掌紋認識システムの開発。
• スキャターリングネットワークが平行移動および回転に対して不変な特徴を抽出できる能力を活用し、バイオメトリクス認識の向上。
• 標準的なパラメータを用いたスキャターリング特徴とPCAの組み合わせが、有名な掌紋データベース上でどれほど効果的であるかの評価。
• 実用的デバイスへのリアルタイム導入に適した高い正確性と低い計算コストを実証。

提案手法

• スキャターリングネットワークは、事前に定義されたウェーブレットフィルタを用いて、掌紋画像の多次元的で不変な表現を生成する。
• ネットワークの複数のレイヤーから特徴が抽出され、低レベルのテクスチャ詳細から高周波数のテクスチャ詳細まで捉える。
• 主成分分析（PCA）を適用してスキャターリング特徴の次元を削減し、計算効率を向上させる。
• 次元削減された特徴空間上でテンプレートマッチングに使用する2つの分類器（多クラスSVMおよび最小距離分類器）が用いられる。
• 本手法は、半分の画像を訓練用、残り半分をテスト用として使用してPolyU掌紋データベースで訓練およびテストが行われる。
• 実装にはMATLABが使用され、SVMにはLIBSVM、分類には標準的な最近傍法が用いられる。

実験結果

リサーチクエスチョン

• RQ1 従来の変換ベース手法と比較して、スキャターリングネットワークは掌紋認識のためのより頑健で不変な特徴表現を提供できるか？
• RQ2 スキャターリング特徴とPCAの組み合わせが、認識正確性および計算負荷にどのように影響するか？
• RQ3 ベンチマーク用掌紋データセット上で、標準分類器を用いたスキャターリング特徴による認識正確性はどの程度達成できるか？
• RQ4 限られた訓練サンプルで本システムはどの程度の汎化能力を示すか？

主な発見

• 提案手法は、PolyU掌紋データセットで多クラスSVM分類器を用いて100%の認識正確性を達成した。
• 最小距離分類器を用いた場合、700個のPCA特徴を用いて99.43%の正確性を達成した。
• 1人あたり2つの訓練サンプルのみを用いても、SVM分類器は99.84%の正確性を達成し、優れた汎化能力を示した。
• SVMを用いた場合、200個のPCA特徴を用いることで100%の正確性を達成した。これは、スキャターリング特徴の高い識別力の証明である。
• テンプレートマッチング処理は1画像あたり約0.09秒で実行され、リアルタイム応用に適している。
• スキャターリングネットワークは、表1にリストアップされたすべての先行最先端手法（HOG、ガボール、クaternionPCAを含む）を上回った。