[논문 리뷰] Cross-Sensor Periocular Biometrics for Partial Face Recognition in a Global Pandemic: Comparative Benchmark and Novel Multialgorithmic Approach.

Fernando Alonso‐Fernandez, Kiran Raja외 5명|arXiv (Cornell University)|2019. 02. 21.

Biometric Identification and Security참고 문헌 89인용 수 6

한 줄 요약

이 논문은 선형 로지스틱 회귀를 통해 로그-우도비율 점수를 이용한 다알고리즘 융합 기반 접근법을 제안하며, 이는 이질적인 영상 조건 하에서 최적의 의사결정을 가능하게 한다. 크로스-아이드 경연 대회에서 이 논문은 0.2%의 EER과 FAR=0.01%일 때 0.47%의 FRR를 기록하여 다른 융합 방법들을 능가하고 있으며, 가시광선 및 근적외선 스펙트럼에서의 크로스스펙트럼 페리옥류얼 인식 분야의 새로운 기준을 설정한다.

ABSTRACT

The massive availability of cameras results in a wide variability of imaging conditions, producing large intra-class variations and a significant performance drop if heterogeneous images are compared for person recognition. However, as biometrics is deployed, it is common to replace damaged or obsolete hardware, or to exchange information between heterogeneous applications. Variations in spectral bands can also occur. For example, surveillance face images (typically acquired in the visible spectrum, VIS) may need to be compared against a legacy iris database (typically acquired in near-infrared, NIR). Here, we propose a multialgorithmic approach to cope with periocular images from different sensors. With face masks in the front line against COVID-19, periocular recognition is regaining popularity since it is the only face region that remains visible. We integrate different comparators with a fusion scheme based on linear logistic regression, in which scores are represented by log-likelihood ratios. This allows easy interpretation of scores and the use of Bayes thresholds for optimal decision-making, since scores from different comparators are in the same probabilistic range. We evaluate our approach in the context of the Cross-Eyed Competition, whose aim was to compare recognition approaches when NIR and VIS periocular images are matched. Our approach achieves EER=0.2% and FRR of just 0.47% at FAR=0.01%, representing the best overall approach of the competition. Experiments are also reported with a database of VIS images from different smartphones. We also discuss the impact of template size and computation times, with the most computationally heavy comparator playing an important role in the results. Lastly, the proposed method is shown to outperform other popular fusion approaches, such as the average of scores, SVMs or Random Forest.

연구 동기 및 목표

• 이미징 조건에서의 크로스센서 및 크로스스펙트럼 변동으로 인한 페리옥류얼 인식 성능 저하 문제를 해결한다.
• 예를 들어 가시광선(VIS) 및 근적외선(NIR) 카메라와 같은 이질적인 센서에서 페리옥류얼 이미지를 매칭할 때도 신뢰할 수 있는 인물 인식을 가능하게 한다.
• 다양한 비교기들을 통합하여 통합된 확률적 점수 체계를 만드는 융합 프레임워크를 개발한다. 이는 성능의 강건성과 의사결정 정확도 향상을 위해 필수적이다.
• 로그-우도비율과 베이즈 임계값을 사용하여 융합 과정을 최적화함으로써 해석 가능하고 최적의 분류 결정을 보장한다.
• 실제 데이터셋, 특히 스마트폰 VIS 이미지와 크로스스펙트럼 데이터베이스를 대상으로 실용적 구현 조건 하에서 방법을 평가한다.

제안 방법

• 다양한 특징 표현 방식에 기반한 다수의 페리옥류얼 비교기를 결합한 다알고리즘 접근법을 사용한다.
• 비교기 출력값을 로그-우도비율로 표현하여 점수를 통합된 확률적 프레임워크로 통합한다.
• 각 비교기의 기여도에 최적의 가중치를 학습하기 위해 선형 로지스틱 회귀를 사용하여 점수를 융합한다.
• 학습된 임계값을 활용한 베이즈 의사결정 이론을 적용하여 주어진 위임 수용률 및 거부률 조건 하에서 최적의 분류 결정을 확보한다.
• 크로스스펙트럼(VIS-NIR) 및 인트라센서(스마트폰 VIS) 데이터셋을 통합하여 다양한 이미징 조건 하에서의 강건성 평가를 수행한다.
• 템플릿 크기와 계산 부담이 인식 성능 및 처리 시간에 미치는 영향을 분석한다.

실험 결과

연구 질문

• RQ1 실제 이미징 변동 조건 하에서 다알고리즘 융합 접근법이 크로스센서 페리옥류얼 인식 성능을 크게 향상시킬 수 있는가?
• RQ2 로그-우도비율 점수 체계를 사용할 경우 다중모odal 생체인식 융합에서 의사결정의 신뢰성과 해석 가능성은 어떻게 향상되는가?
• RQ3 계산적으로 집약적인 비교기의 기여도는 크로스스펙트럼 인식에서 전체 시스템 성능에 비해 어느 정도인가?
• RQ4 기존 기법들인 점수 평균화, SVM, 또는 랜덤 포레스트와 비교했을 때 제안된 융합 방법은 정확도 및 강건성 측면에서 어떻게 다른가?
• RQ5 템플릿 크기와 처리 시간은 실질적 구현 환경에서 인식 성능에 어느 정도의 영향을 미치는가?

주요 결과

• 제안된 방법은 크로스-아이드 경연 대회에서 0.2%의 동일오류율(EER)을 기록하여 참가한 모든 접근법 중 최고의 성능을 달성했다.
• 거짓 수용률(FAR)이 0.01%일 때, 시스템은 거짓 거부률(FRR)이 단지 0.47%에 그쳐 엄격한 보안 기준 하에서도 높은 신뢰성을 입증했다.
• 크로스스펙트럼 및 인트라센서 인식 작업 모두에서 점수 평균화, SVM, 랜덤 포레스트와 같은 표준 융합 기법들을 능가하는 성능을 보였다.
• 가장 계산적으로 집약적인 비교기가 최종 성능에 상당한 기여를 했으며, 이는 고품질의 특징 추출이 강건한 인식에 핵심적임을 시사한다.
• 로그-우도비율 점수를 기반으로 한 선형 로지스틱 회귀 기반 융합 프레임워크는 베이즈 임계값을 활용해 해석 가능하고 최적의 의사결정을 가능하게 했다.
• 스마트폰에서 유도된 가시광선 스펙트럼 이미지에 대한 실험을 통해, 소비자 수준의 이미징 장치에서 발생하는 내부 클래스 변동성에 대해서도 방법의 강건성을 확인할 수 있었다.