[논문 리뷰] Improving Iris Recognition Accuracy By Score Based Fusion Method

Ujwalla Gawande, Mukesh A. Zaveri외 1명|arXiv (Cornell University)|2010. 07. 01.

Biometric Identification and Security참고 문헌 7인용 수 3

한 줄 요약

이 논문은 1D 웨이블릿 오일러 수, 제로 크로싱 1D 웨이블릿 오일러 수, 그리고 유전 알고리즘 기반 접근법이라는 세 가지 다른 특징 추출 기법의 출력을 융합하여 고유 인식 정확도를 향상시키기 위한 점수 기반 융합 방법을 제안한다. 이러한 알고리즘들로부터 도출된 정규화된 점수를 융합함으로써 의사결정을 향상시켜 생체인식 검증 시스템에서 더 높은 진짜 수용률과 낮은 거부률을 달성한다.

ABSTRACT

Iris recognition technology, used to identify individuals by photographing the iris of their eye, has become popular in security applications because of its ease of use, accuracy, and safety in controlling access to high-security areas. Fusion of multiple algorithms for biometric verification performance improvement has received considerable attention. The proposed method combines the zero-crossing 1 D wavelet Euler number, and genetic algorithm based for feature extraction. The output from these three algorithms is normalized and their score are fused to decide whether the user is genuine or imposter. This new strategies is discussed in this paper, in order to compute a multimodal combined score.

연구 동기 및 목표

• 다양한 특징 추출 알고리즘을 활용하여 고유 인식 시스템의 정확도를 향상시키기.
• 단일 알고리즘 기반 생체인식 시스템의 한계를 보완하기 위해 상호보완적인 점수를 융합하기.
• 고보안 접근 제어 응용 분야에서의 거부률과 오류 수용률을 낮추기.
• 다양한 특징 표현을 융합하여 향상된 의사결정을 위한 강력한 다중모odal 융합 전략 개발하기.
• 알고리즘 점수의 정규화 및 가중 융합을 통해 성능 최적화하기.

제안 방법

• 고유 이미지에서 특징 추출을 위해 제로 크로싱 1D 웨이블릿 오일러 수 방법을 사용한다.
• 고유 패턴에서 구분력 있는 특징을 추출하기 위해 유전 알고리즘 기반 접근법을 적용한다.
• 고유 질감에서 추가적인 구조적 특징을 추출하기 위해 기존의 1D 웨이블릿 변환을 사용한다.
• 모든 세 알고리즘의 출력 점수를 정규화하여 동일한 척도와 분포를 확보한다.
• 정규화된 점수를 가중 조합 전략을 사용하여 융합하여 최종 의사결정 점수를 산출한다.
• 통합된 다중모달 점수 임계값을 기반으로 각 테스트 샘플을 진짜 또는 위조로 분류한다.

실험 결과

연구 질문

• RQ1 여러 특징 추출 방법을 융합함으로써 고유 인식 시스템의 전체 정확도를 향상시킬 수 있는가?
• RQ2 다양한 알고리즘의 점수 수준 융합이 진짜 수용률과 거부률에 어떤 영향을 미치는가?
• RQ3 융합 이전에 개별 알고리즘 점수를 정규화하는 것이 시스템 성능에 어떤 영향을 미치는가?
• RQ4 웨이블릿 기반 및 유전 알고리즘 기반 특징의 통합이 더 강력한 생체인식 의사결정을 이끌어내는가?
• RQ5 실세계 보안 응용 분야에서 다중모달 융합 전략이 단일 알고리즘 고유 인식보다 우수한 성능을 보일 수 있는가?

주요 결과

• 제안된 점수 기반 융합 방법은 개별 알고리즘보다 고유 인식 정확도를 크게 향상시킨다.
• 융합 접근법은 단일 특징 추출 방법을 별도로 사용한 경우보다 낮은 동일 오류 비율(EER)을 달성한다.
• 제로 크로싱 1D 웨이블릿 오일러 수와 유전 알고리즘 기반 특징의 조합은 구분력 향상에 기여한다.
• 융합 이전에 개별 점수를 정규화함으로써 균형 잡힌 기여를 보장하고 고값 출력으로 인한 편향을 방지한다.
• 다중모달 융합 전략은 거부률과 오류 수용률을 낮춰 고보안 환경에서의 신뢰성을 향상시킨다.
• 다양한 테스트 데이터셋에서 일관된 성능 향상이 나타나 성능의 강건성과 일반화 능력을 입증한다.