[논문 리뷰] An Evaluation of Score Level Fusion Approaches for Fingerprint and Finger-vein Biometrics

Kamer Vishi, Vasileios Mavroeidis|arXiv (Cornell University)|2018. 05. 27.

Biometric Identification and Security참고 문헌 7인용 수 28

한 줄 요약

이 논문은 세 가지 정규화 방법(최소-최대, z-점수, hyperbolic tangent)과 네 가지 융합 규칙(최소값, 최대값, 단순 합, 사용자 가중치)을 사용하여 지문과 손가락 정맥 생체 인식을 융합하는 점수 수준 융합 기법을 평가한다. hyperbolic tangent 정규화와 단순 합 융합의 조합이 99.98%의 최고 향상률을 기록하며 등가오차율을 0.0001%로 낮춰, 단모달 시스템에 비해 뛰어난 성능을 보였다.

ABSTRACT

Biometric systems have to address many requirements, such as large population coverage, demographic diversity, varied deployment environment, as well as practical aspects like performance and spoofing attacks. Traditional unimodal biometric systems do not fully meet the aforementioned requirements making them vulnerable and susceptible to different types of attacks. In response to that, modern biometric systems combine multiple biometric modalities at different fusion levels. The fused score is decisive to classify an unknown user as a genuine or impostor. In this paper, we evaluate combinations of score normalization and fusion techniques using two modalities (fingerprint and finger-vein) with the goal of identifying which one achieves better improvement rate over traditional unimodal biometric systems. The individual scores obtained from finger-veins and fingerprints are combined at score level using three score normalization techniques (min-max, z-score, hyperbolic tangent) and four score fusion approaches (minimum score, maximum score, simple sum, user weighting). The experimental results proved that the combination of hyperbolic tangent score normalization technique with the simple sum fusion approach achieve the best improvement rate of 99.98%.

연구 동기 및 목표

• 단모달 생체 인식 시스템의 한계, 예를 들어 스푸핑에 취약하고 조건 변화에 따라 성능 저하되는 문제를 해결하기 위해.
• 지문과 손가락 정맥 생체 인식을 융합하는 점수 수준 융합 기법을 평가하여 시스템 정확도와 내성 향상.
• 다중모달 생체 인식 시스템에서 최적의 점수 정규화 및 융합 방법 조합을 규명하기 위해.
• 보완적인 생체 특징을 활용해 신원 관리의 보안성과 신뢰성을 향상시키기 위해.
• 다중모달 융합이 단모달 대비 성능 향상에 기여하는 경험적 증거를 제공하기 위해.

제안 방법

• 점수 수준 융합은 지문 및 손가락 정맥 모달리티에서의 개별 매칭 점수를 네 가지 융합 규칙(최소 점수, 최대 점수, 단순 합, 사용자 가중치)을 사용해 통합한다.
• 세 가지 점수 정규화 기법(최소-최대, z-점수, hyperbolic tangent (TanH))을 적용하여 서로 다른 모달리티에서 유도된 점수를 동일 척도로 정규화한다.
• 융합된 점수는 결정 모듈에서 임계값과 비교되어 사용자를 진짜 사용자 또는 위조자로 분류한다.
• 실험 설정은 각 모달리티별로 두 개의 데이터셋(FP_DS1, FP_DS2 지문용; FV_DS1, FV_DS2 손가락 정맥용)을 사용하여 데이터 변동에 대한 내성 평가를 수행한다.
• 성능 평가에는 등가오차율(EER)을 사용하며, 향상률은 최고의 단모달 결과 대비 EER 감소 비율로 계산된다.
• 융합 과정은 서로 다른 데이터셋과 융합 구성 조합을 포함한 네 가지 별도의 융합 시나리오에서 평가된다.

실험 결과

연구 질문

• RQ1 다중모달 지문 및 손가락 정맥 생체 인식 시스템에서 점수 정규화 및 융합 기법의 조합 중 어느 것이 가장 높은 성능 향상을 이끌어내는가?
• RQ2 정규화 방법의 선택(최소-최대, z-점수, hyperbolic tangent)이 융합 생체 인식 시스템의 내성과 정확도에 어떤 영향을 미치는가?
• RQ3 지문과 손가락 정맥 점수를 융합했을 때 단모달 시스템 대비 성능 향상 정도는 어느 정도인가?
• RQ4 점수 분포의 이질적 값(outliers)이 다양한 정규화 기법의 성능에 어떤 영향을 미치는가?
• RQ5 점수 수준 융합이 다중모달 생체 인식 인증에서 등가오차율(EER)을 상당히 감소시킬 수 있는가?

주요 결과

• hyperbolic tangent (TanH) 정규화와 단순 합(SS) 융합의 조합이 가장 우수한 시나리오에서 가장 낮은 등가오차율(EER) 0.00010%를 기록했다.
• 이 융합 방법은 최고의 단모달 시스템(손가락 정맥 EER 0.71%) 대비 99.98%의 향상률을 기록했다.
• 최소-최대 및 z-점수 정규화 기법은 이질적 값에 민감하여 변동성이 큰 데이터에서는 신뢰성이 떨어졌다.
• hyperbolic tangent 정규화는 극단적인 점수 값을 처리하는 데서 특히 뛰어난 내성과 효율성을 보였다.
• 단순 합 융합 규칙은 모든 시나리오에서 최소 및 최대 점수 규칙보다 뛰어난 성능을 보였으며, 특히 TanH 정규화와 조합했을 때 두드러졌다.
• 심지어 한 모달리티에서 높은 EER(예: FV_DS2에서 손가락 정맥의 7.35%)를 보였을 경우에도, 지문과 융합함으로써 TanH와 최대 점수 융합을 사용하면 EER가 0.0038%로 감소했다.