[論文レビュー] Principal Component Analysis-Linear Discriminant Analysis Feature Extractor for Pattern Recognition

Aamir Khan, Hasan Farooq|arXiv (Cornell University)|Apr 5, 2012

Biometric Identification and Security参考文献 11被引用数 54

ひとこと要約

本稿では、主成分分析（PCA）と線形判別分析（LDA）を組み合わせたハイブリッド特徴抽出手法を提案し、バイオメトリクスシステムにおけるパターン認識を向上させる。次元削減とクラス分離性の最大化により、PCA-LDA統合手法は、次元が高く、サンプル数が少ない状況でも認識精度と一般化性能を向上させる。K-Nearest NeighborとSignalWAVEを用いたリアルタイム実装により検証された。

ABSTRACT

Robustness of embedded biometric systems is of prime importance with the emergence of fourth generation communication devices and advancement in security systems This paper presents the realization of such technologies which demands reliable and error-free biometric identity verification systems. High dimensional patterns are not permitted due to eigen-decomposition in high dimensional image space and degeneration of scattering matrices in small size sample. Generalization, dimensionality reduction and maximizing the margins are controlled by minimizing weight vectors. Results show good pattern by multimodal biometric system proposed in this paper. This paper is aimed at investigating a biometric identity system using Principal Component Analysis and Lindear Discriminant Analysis with K-Nearest Neighbor and implementing such system in real-time using SignalWAVE.

研究の動機と目的

• 固有値分解と散乱行列の退化という、高次元バイオメトリクスデータの限界を解消すること。
• 次元削減とクラス分離を用いて、バイオメトリクス本人確認システムの一般化性能と耐障害性を向上させること。
• 4世代通信機器および高度なセキュリティ応用に適したリアルタイムで信頼性の高いバイオメトリクスシステムの開発。
• マルチモーダルバイオメトリクス認識における最適な特徴抽出を実現するため、PCAとLDAを統合すること。
• K-Nearest Neighbor分類とSignalWAVEを用いたリアルタイムデプロイメントによるシステム性能の検証。

提案手法

• 高次元バイオメトリクス画像データの次元削減のために、主成分分析（PCA）を適用する。
• PCAで次元削減されたデータに対して線形判別分析（LDA）を用い、クラス間分離性を最大化し、クラス内分散を最小化する。
• PCAとLDAを順次パイプラインとして統合する：まずPCAでノイズ低減と次元削減を行い、その後LDAでクラス識別を実行する。
• 抽出された特徴の分類にK-Nearest Neighbor（K-NN）を採用する。
• SignalWAVEプラットフォームを用いて、組み込みバイオメトリクスアプリケーション向けにリアルタイムでシステムを実装する。
• 重みベクトルの最小化によりマージン最大化と一般化性能の向上を図る最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 PCAとLDAをどのように効果的に統合することで、高次元バイオメトリクスデータにおける特徴抽出を向上させられるか？
• RQ2 次元削減とクラス分離性の向上が、サンプル数が少ないバイオメトリクスシステムにおける認識精度に与える影響は何か？
• RQ3 PCA-LDA統合手法は、組み込みバイオメトリクスシステムに適したリアルタイム性能を達成できるか？
• RQ4 提案手法は、サンプル数が少ない場合の固有値分解の不安定性と散乱行列の退化をどのように軽減できるか？
• RQ5 マルチモーダルバイオメトリクスシステムにおけるPCA-LDAの性能向上は、従来手法と比較してどの程度か？

主な発見

• PCA-LDAハイブリッド手法は、次元削減を効果的に行いながらも、判別的情報を保持し、システムの耐障害性を向上させる。
• PCA前処理を活用することで、サンプル数が少ない状況における散乱行列の退化を緩和する。
• 最適化された重みベクトルの最小化により、一般化性能とマージン最大化が向上する。
• K-Nearest Neighborとの統合により、テストされたバイオメトリクスパターン認識タスクで高い認識精度を達成する。
• SignalWAVEを用いたリアルタイム実装により、組み込みおよびモバイルバイオメトリクスアプリケーションへのデプロイの可能性が裏付けられた。
• マルチモーダルバイオメトリクスシステムは優れた性能を示し、PCA-LDA特徴抽出器の有効性が検証された。