[논문 리뷰] Feature Level Clustering of Large Biometric Database

Hunny Mehrotra, Dakshina Ranjan Kisku외 3명|arXiv (Cornell University)|2010. 02. 02.

Face and Expression Recognition참고 문헌 7인용 수 3

한 줄 요약

이 논문은 생체인식 식별을 위해 대규모 오프라인 서명 데이터베이스를 효율적으로 분할하기 위해 특징 수준에서 퍼지 클러스터링 방법을 제안한다. 전역 기술자와 국소 기술자를 조합한 퍼지 c-의미 클러스터링을 통해 기존의 k-평균보다 더 효과적으로 검색 공간을 줄여 실험에서 더 낮은 박스 실수율을 달성한다.

ABSTRACT

This paper proposes an efficient technique for partitioning large biometric database during identification. In this technique feature vector which comprises of global and local descriptors extracted from offline signature are used by fuzzy clustering technique to partition the database. As biometric features posses no natural order of sorting, thus it is difficult to index them alphabetically or numerically. Hence, some supervised criteria is required to partition the search space. At the time of identification the fuzziness criterion is introduced to find the nearest clusters for declaring the identity of query sample. The system is tested using bin-miss rate and performs better in comparison to traditional k-means approach.

연구 동기 및 목표

• 특징에 자연스러운 순서가 없을 때 대규모 생체인식 데이터베이스를 효율적으로 색인화하는 문제를 해결한다.
• 순차적 검색 대신 클러스터링을 사용하여 식별 과정에서 검색 공간을 줄인다.
• 특징 유사도의 불확실성을 다루기 위해 퍼지 클러스터링을 활용하여 식별 정확도를 향상시킨다.
• 전역 및 국소 기술자를 사용한 특징 수준의 클러스터링을 통해 대규모 생체인식 시스템에 확장 가능한 솔루션을 개발한다.
• 박스 실수율 측면에서 기존의 전통적 k-평균 클러스터링에 비해 뛰어난 성능을 보여준다.

제안 방법

• 오프라인 서명 이미지에서 전역 및 국소 기술자를 추출하여 종합적인 특징 벡터를 구성한다.
• 유사도 기반으로 특징 벡터를 클러스터로 그룹화하기 위해 퍼지 c-의미 클러스터링을 적용하며, 부분적 소속도를 허용한다.
• 식별 과정에서 퍼지성 기준을 사용하여 쿼리 샘플에 가장 적합한 클러스터를 결정한다.
• 식별 시 검색 공간을 줄이기 위해 데이터베이스를 특징 수준에서 클러스터로 분할한다.
• 생체인식 특징의 고차원성과 비순서성에 대응하기 위해 클러스터링 과정을 최적화한다.
• 기존의 k-평균과의 비교를 위해 주로 박스 실수율을 성능 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 특징에 자연스러운 순서가 없을 때 대규모 생체인식 데이터베이스는 어떻게 효율적으로 분할할 수 있는가?
• RQ2 기존의 k-평균과 비교해 특징 수준의 퍼지 클러스터링이 식별 성능을 향상시킬 수 있는가?
• RQ3 전역 및 국소 기술자의 조합이 클러스터링 정확도와 검색 효율성에 어떤 영향을 미치는가?
• RQ4 퍼지성 기준은 특징 공간이 겹치거나 모호한 영역에서 식별 과정을 어떻게 향상시키는가?
• RQ5 특징 수준의 클러스터링은 대규모 생체인식 시스템에서 박스 실수율을 얼마나 줄이는가?

주요 결과

• 제안된 특징 수준의 퍼지 클러스터링 방법은 기존의 전통적 k-평균 방법보다 낮은 박스 실수율을 달성한다.
• 퍼지 클러스터링은 생체인식 특징 공간의 불확실성과 겹침을 효과적으로 다루어 식별의 강건성을 향상시킨다.
• 전역 및 국소 기술자의 통합은 클러스터링에 사용되는 특징 벡터의 분류 능력을 향상시킨다.
• 클러스터링 기반의 분할은 식별 과정에서 검색 공간을 크게 줄여 스케일러빌리티를 향상시킨다.
• 더 나은 클러스터 간 분리와 소속도 할당 덕분에 대규모 생체인식 응용 분야에서 성능 향상을 보였다.
• 결과는 퍼지 클러스터링이 본질적으로 특징의 모호성이 존재하는 생체인식 데이터 색인화에 더 적합하다는 것을 확인한다.