[논문 리뷰] Making Hand Geometry Verification System More Accurate Using Time Series Representation with R-K Band Learning

Vit Niennattrakul, Chotirat Ann Ratanamahatana|ArXiv.org|2009. 05. 09.

Biometric Identification and Security참고 문헌 27인용 수 7

한 줄 요약

이 논문은 손 형태 인식 시스템의 정확도를 향상시키기 위해 기존의 사코에-치바 밴드 대신 R-K 밴드 학습을 도입한 개선된 손 형태 검증 시스템을 제안한다. 이는 시간 시리즈 표현을 위한 동적 시간 왜곡(DTW)과 결합된 것으로, 사용자별 R-K 밴드와 임계치를 학습함으로써 거짓 수용률(FAR)과 거짓 기각률(FRR)을 감소시켜 등가오류률(EER)에서 총 성공률(TSR)이 1.8% 향상되었다.

ABSTRACT

At present, applications of biometrics are rapidly increasing due to inconveniences in using traditional passwords and physical keys. Hand geometry, one of the most well-known biometrics, is implemented in many verification systems with various feature extraction methods. In recent work, a hand geometry verification system using time series conversion techniques and Dynamic Time Warping (DTW) distance measure with Sakoe-Chiba band has been proposed. This system demonstrates many advantages, especially ease of implementation and small storage space requirement using time series representation. In this paper, we propose a novel hand geometry verification system that exploits DTW distance measure and R-K band learning to further improve the system performance. Finally, our evaluation reveals that our proposed system outperforms the current system by a wide margin, in terms of False Acceptance Rate (FAR), False Rejection Rate (FRR), and Total Success Rate (TSR) at Equal Error Rate (EER).

연구 동기 및 목표

• 고정된 밴드(예: 사코에-치바)에 의존하는 기존 손 형태 인식 시스템의 한계를 해결하기 위해, 개인의 차이에 잘 적응하지 못하는 문제를 해결하고자 한다.
• 유저별로 적응 가능한 R-K 밴드 학습을 도입하여 유사도 매칭을 향상시키기 위해 전역적으로 조정 가능한 왜곡 윈도우를 동적으로 조정함으로써 시스템 정확도를 향상시키고자 한다.
• 개별 사용자에 맞는 임계치 및 밴드 최적화를 통해 거짓 수용률(FAR)과 거짓 기각률(FRR)을 감소시키고자 한다.
• 등가오류률(EER)에서 표준 생체인식 지표인 FAR, FRR, TSR을 사용하여 제안된 시스템의 성능을 평가하고자 한다.
• 시간 시리즈 표현과 함께 R-K 밴드 학습을 사용할 경우, 사코에-치바 밴드를 사용한 이전 최고 수준의 시스템보다 우수한 성능을 보임을 입증하고자 한다.

제안 방법

• 시스템은 손 이미지를 두 가지 기법을 사용하여 시간 시리즈로 변환한다: 중심점 기반 및 각도 기반 특징 추출.
• 시간 시리즈 간 유사도를 계산하기 위해 동적 시간 왜곡(DTW)을 사용하며, 고정된 사코에-치바 밴드 대신 유연한 왜곡을 允허하는 R-K 밴드를 도입한다.
• 휴리스틱 성능 평가를 통해 반복 학습 알고리즘을 적용하여 R-K 밴드와 사용자별 임계치를 최적화하고 경계를 개선한다.
• 알고리즘은 밴드 세그먼트 큐를 유지하며, 성능 향상이 없는 세그먼트를 반복적으로 하위 부분으로 나누어 종료 조건을 만족할 때까지 처리한다.
• 시스템은 등록 단계에서 개인별 R-K 밴드와 임계치를 학습하며, 이는 테스트 단계에서 입력 템플릿을 저장된 사용자 템플릿과 매칭하는 데 사용된다.
• 성능 평가에는 FAR, FRR, 총 성공률(TSR)을 사용하며, 결과는 등가오류률(EER)에서 보고된다.

실험 결과

연구 질문

• RQ1 R-K 밴드 학습은 고정된 사코에-치바 밴드에 비해 손 형태 인식 시스템의 정확도를 향상시킬 수 있는가?
• RQ2 시간 시리즈 표현과 DTW를 사용하며 사용자별 R-K 밴드를 적용했을 때, 제안된 시스템의 FAR, FRR, TSR 성능은 어떠한가?
• RQ3 제안된 프레임워크에서 중심점 기반 시간 시리즈 변환 기법이 각도 기반 기법보다 우월한가?
• RQ4 개별화된 R-K 밴드와 임계치 학습은 전역 임계치 접근 방식에 비해 오류율 감소에 얼마나 기여하는가?
• RQ5 제안된 방법은 사코에-치바 밴드를 사용한 이전 최고 수준의 시스템보다 낮은 등가오류률(EER)을 달성할 수 있는가?

주요 결과

• 제안된 시스템은 중심점 기반 기법을 사용하여 이전 시스템 대비 EER에서 총 성공률(TSR)이 1.8% 향상되어 88.10%에 도달했다.
• 중심점 기반 방법을 사용할 경우 거짓 수용률(FAR)은 14.06%에서 11.72%로 감소했으며, 각도 기반 방법은 25.59%에서 23.67%로 감소했다.
• 중심점 기반 접근 방식에서 거짓 기각률(FRR)은 14.30%에서 11.91%로 감소했고, 각도 기반 방법은 25.78%에서 23.43%로 감소했다.
• 중심점 기반 시간 시리즈 변환 기법은 모든 지표에서 일관되게 각도 기반 기법을 능가했으며, 더 낮은 EER와 더 높은 TSR을 달성했다.
• 사용자별 R-K 밴드와 임계치의 사용은 FAR와 FRR를 모두 크게 감소시켜, 동적 시간 왜곡에서 개인화된 밴드 학습의 효과를 입증했다.