[논문 리뷰] CNN-based Pore Detection and Description for High-Resolution Fingerprint Recognition.

Gabriel Dahia, Maurício Pamplona Segundo|arXiv (Cornell University)|2018. 09. 26.

Biometric Identification and Security참고 문헌 19인용 수 2

한 줄 요약

이 논문은 고해상도 지문 인식에서 수동으로 생성된 레이블이 부족한 상황을 고려해, 이미지 정렬을 통한 자동으로 생성된 훈련 애너테이션을 활용하여, CNN 기반의 강건한 국소 포어 기술자(Descriptor)를 학습하는 방법을 제안한다. 수동으로 설계된 기술자 대신 데이터 기반 기술자를 사용함으로써, 부분 지문과 전체 지문에 대해 공개 벤치마크에서 최신 기술 수준의 성능을 달성하였으며, 분석 실험을 통해 검증되었다.

ABSTRACT

High-resolution fingerprint recognition often relies on sophisticated matching algorithms based on hand-crafted keypoint descriptors, with pores being the most common keypoint choice. Our method is the opposite of the prevalent approach: we use instead a simple matching algorithm based on robust local pore descriptors that are learned from the data using a CNN. In order to train this CNN in a fully supervised manner, we describe how the automatic alignment of fingerprint images can be used to obtain the required training annotations, which are otherwise missing in all publicly available datasets. This improves the state-of-the-art recognition results for both partial and full fingerprints in a public benchmark. To confirm that the observed improvement is due to the adoption of learned descriptors, we conduct an ablation study using the most successful pore descriptors previously used in the literature. All our code is available at this https URL

연구 동기 및 목표

• 고해상도 지문 인식에서 포어 기술자에 대한 레이블이 부족한 문제를 해결하기 위해.
• 데이터로부터 강건한 국소 포어 기술자를 학습하기 위한 완전히 지도 학습 기반의 CNN 기반 방법을 개발하기 위해.
• 수동으로 설계된 기술자 대신 학습된 기술자를 사용하여 부분 지문과 전체 지문의 인식 정확도를 향상시키기 위해.
• 분석 실험을 통해 학습된 기술자가 이전 최신 기술 수준의 수동 기반 기술자보다 뛰어난 성능을 보임을 입증하기 위해.
• 공개 데이터셋에서 진정한 레이블이 부족한 상황을 극복하기 위해 지문 이미지 정렬을 통해 포어를 자동으로 애너테이션하는 방법을 제공하기 위해.

제안 방법

• 완전히 지도 학습 방식으로, 컨volutional 네트워크(CNN)가 국소 포어 기술자를 학습한다.
• 훈련 애너테이션은 지문 이미지 간 정렬을 통해 자동으로 생성되며, 기하학적 일관성을 활용해 포어 위치를 추론한다.
• 학습된 CNN 기술자를 기반으로 하는 단순한 매칭 알고리즘을 사용하여, 복잡한 키포인트 매칭 파이프라인에 대한 의존도를 줄인다.
• 정렬된 지문 쌍을 기반으로 끝에서 끝까지 학습하며, 정렬 결과를 바탕으로 양성 및 음성 훈련 샘플을 정의한다.
• 고해상도 이미지 데이터를 활용해 매칭에 유용한 세밀한 포어 특징을 추출한다.
• 학습된 기술자와 가장 성공적인 이전 수동 기반 기술자 간의 성능 비교를 통해 성능 향상을 검증하는 분석 실험을 수행한다.

실험 결과

연구 질문

• RQ1 CNN에서 학습된 국소 기술자가 고해상도 지문 인식에서 수동으로 설계된 포어 기술자보다 우수한 성능을 낼 수 있는가?
• RQ2 이미지 정렬을 통한 자동 애너테이션은 지문 포어 데이터에 대해 지도 학습 기반 CNN을 훈련시키는 데 얼마나 효과적인가?
• RQ3 제안된 방법은 기존 최신 기술 수준의 방법과 비교해 부분 지문과 전체 지문 모두에서 인식 정확도를 향상시키는가?
• RQ4 성능 향상의 정도는 학습된 기술자에 기인하는가, 아니면 매칭 전략에 기인하는가?
• RQ5 기존 수동 기반 방법 대비 CNN 기반 기술자 학습의 기여도는 어느 정도인가?

주요 결과

• 제안된 CNN 기반 방법은 부분 지문과 전체 지문에 대해 공개 벤치마크에서 최신 기술 수준의 인식 성능을 달성하였다.
• 분석 실험을 통해 성능 향상은 학습된 기술자 사용 덕분임을 확인하였으며, 수동 기반 기술자와의 비교를 통해 이를 검증하였다.
• 자동 이미지 정렬을 통해 포어 기술자에 대한 완전한 지도 학습 데이터를 생성할 수 있었으며, 이는 공개 데이터셋에서 애너테이션 부족 문제를 해결하였다.
• 간단한 매칭 알고리즘을 사용하더라도, 수동 기반 기술자에 의존하는 이전 최신 기술 수준의 방법보다 성능이 뛰어났다.
• 분석 실험 결과 성능 향상은 매칭 파이프라인의 영향이 아니라 학습된 기술자의 품질 덕분임을 확인하였다.
• 모든 코드와 모델는 재현성 및 향후 연구를 지원하기 위해 공개되었다.