[논문 리뷰] Multispectral Palmprint Recognition Using a Hybrid Feature

Sina Akbari Mistani, Shervin Minaee외 1명|arXiv (Cornell University)|2011. 12. 27.

Biometric Identification and Security참고 문헌 29인용 수 13

한 줄 요약

이 논문은 다중스펙트럼 백업지문 인식을 위해 손바닥 선 에너지와 국소 웨이블릿 에너지를 융합한 하이브리드 특징 세트를 제안하며, 최소 거리 분류기를 사용하여 PolyU 다중스펙트럼 백업지문 데이터셋에서 98.8%의 정확도를 달성한다. 이 방법은 구조적 특징과 텍스처 기반 특징을 융합하여 유사한 선 패턴이나 저품질 이미지에 대해 더 높은 내성과 안정성을 확보한다.

ABSTRACT

Personal identification problem has been a major field of research in recent years. Biometrics-based technologies that exploit fingerprints, iris, face, voice and palmprints, have been in the center of attention to solve this problem. Palmprints can be used instead of fingerprints that have been of the earliest of these biometrics technologies. A palm is covered with the same skin as the fingertips but has a larger surface, giving us more information than the fingertips. The major features of the palm are palm-lines, including principal lines, wrinkles and ridges. Using these lines is one of the most popular approaches towards solving the palmprint recognition problem. Another robust feature is the wavelet energy of palms. In this paper we used a hybrid feature which combines both of these features. %Moreover, multispectral analysis is applied to improve the performance of the system. At the end, minimum distance classifier is used to match test images with one of the training samples. The proposed algorithm has been tested on a well-known multispectral palmprint dataset and achieved an average accuracy of 98.8\%.

연구 동기 및 목표

• 유사한 주요 선을 가진 지문이나 특징가 없는 지문에서의 낮은 분류 성능 문제를 해결한다.
• 저품질 영상이나 겹치는 패턴으로 인한 손바닥 선 추출 과정에서의 과제를 극복한다.
• 구조적(손바닥 선) 특징과 텍스처 기반(웨이블릿 에너지) 특징을 융합하여 정확도를 향상시킨다.
• 제한된 학습 데이터 환경에서도 적용 가능한 내성적이고 확장 가능한 방법을 개발한다.
• 다중스펙트럼 영상이 기능 다양성과 인식 성능 향상에 기여하는지를 입증한다.

제안 방법

• 손바닥 선 특징을 추출하기 위해 부드러운 손바닥 지문 영상에 라플라시안 마스크를 적용하여 주요 선과 그 에너지 분포를 탐지한다.
• 손바닥 영상의 겹치지 않는 블록들에 3단계 이산 웨이블릿 변환(DWT)을 적용하여 국소 웨이블릿 에너지를 계산한다.
• 손바닥 선 및 웨이블릿 특징 벡터를 동일한 다이나믹 레인지로 정규화하여 한 종류의 특징가 지배하는 것을 방지한다.
• 정규화된 특징들을 요소별 덧셈을 통해 단일 하이브리드 특징 벡터로 통합한다.
• 시험 샘플을 가장 가까운 학습 템플릿과 매칭하는 최소 거리 분류기를 사용하여 분류를 수행한다.
• 각 개인의 다수의 학습 이미지 평균 특징 벡터를 기준 템플릿으로 사용한다.

실험 결과

연구 질문

• RQ1 손바닥 선 에너지와 웨이블릿 에너지를 융합하면 다중스펙트럼 백업지문 시스템의 정확도 향상에 기여하는가?
• RQ2 특히 제한된 데이터에서, 제안된 하이브리드 특징의 성능은 다양한 학습/시험 샘플 비율에 어떻게 영향을 받는가?
• RQ3 선 기반 특징과 변환 기반 특징의 융합은 흐린 또는 모호한 손바닥 선에 대해 성능을 향상시키는가?
• RQ4 동일한 벤치마크 데이터셋에서 기존 최첨단 기법인 PCA+GWR 및 QPCA와 비교해 볼 때, 제안된 방법은 어떤가?
• RQ5 학습 샘플 수를 줄일 경우, 하이브리드 특징 접근법의 정확도 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 하이브리드 특징 접근법은 1인당 12장 중 6장의 영상만을 학습용으로 사용할 경우, PolyU 다중스펙트럼 백업지문 데이터셋에서 98.8%의 정확도를 달성했다.
• 1인당 4장의 학습 샘플(4/12 비율) 조건에서도 정확도가 98.08%를 유지하여 낮은 데이터 조건에서도 뛰어난 일반화 능력을 입증했다.
• PCA+GWR 방법(6/12 비율에서 95.17% 정확도)과 QPCA 방법(6/12 비율에서 98.13% 정확도)을 모두 초월하여 98.88%의 정확도를 기록했다.
• 웨이블릿 기반 특징만으로도 98.49%의 정확도를 달성하여 강력한 분류 능력을 보였고, 선 특징만으로는 94.58%에 머물러 독립적으로는 상대적으로 약한 성능임을 확인했다.
• 다양한 무작위 학습/시험 분할에 대해 정확도가 안정적으로 유지되었으며, 랜덤 샘플링을 10회 반복한 결과 평균 정확도는 98.8%였다.
• 두 특징의 융합은 각각의 특징 세트만 사용했을 때보다 성능 향상이著명했으며, 이는 구조적 특징과 텍스처 기반 특징 간 상호보완적 정보의 유용성을 확인한다.