[논문 리뷰] Palm Vein Identification based on hybrid features selection model

Mohammed Hamzah Abed, Ali Hakem Alsaeedi외 3명|arXiv (Cornell University)|2020. 07. 31.

Biometric Identification and Security참고 문헌 28인용 수 6

한 줄 요약

이 논문은 두 차원 이산 웨이블릿 변환(2D-DWT), 주성분 분석(PCA), 그리고 입자 군집 최적화(PSO)를 조합한 하이브리드 특성 선택 모델 2D-DWTPP를 제안하여 팔뚝 정맥 식별(PVI) 정확도를 향상시킨다. 이 방법은 특성의 중복을 줄이고 PSO-워퍼 모델을 통해 최적의 특성을 선택하여 서포트 벡터 머신(SVM)을 사용할 경우 98.65%의 정확도를 달성한다. 이는 AlexNet(63.5%)과 특성 선택이 없는 기준 분류기(78.79%)를 크게 뛰어넘는 성능이다.

ABSTRACT

Palm vein identification (PVI) is a modern biometric security technique used for increasing security and authentication systems. The key characteristics of palm vein patterns include, its uniqueness to each individual, unforgettable, non-intrusive and cannot be taken by an unauthorized person. However, the extracted features from the palm vein pattern are huge with high redundancy. In this paper, we propose a combine model of two-Dimensional Discrete Wavelet Transform, Principal Component Analysis (PCA), and Particle Swarm Optimization (PSO) (2D-DWTPP) to enhance prediction of vein palm patterns. The 2D-DWT Extracts features from palm vein images, PCA reduces the redundancy in palm vein features. The system has been trained in selecting high reverent features based on the wrapper model. The PSO feeds wrapper model by an optimal subset of features. The proposed system uses four classifiers as an objective function to determine VPI which include Support Vector Machine (SVM), K Nearest Neighbor (KNN), Decision Tree (DT) and Naïve Bayes (NB). The empirical result shows the proposed system Iit satisfied best results with SVM. The proposed 2D-DWTPP model has been evaluated and the results shown remarkable efficiency in comparison with Alexnet and classifier without feature selection. Experimentally, our model has better accuracy reflected by (98.65) while Alexnet has (63.5) and applied classifier without feature selection has (78.79).

연구 동기 및 목표

• 팔뚝 정맥 패턴 인식에서 고차원적이고 중복된 특성 문제를 해결하기 위해.
• 팔뚝 정맥 식별(PVI) 시스템의 정확도와 효율성을 향상시키기 위해.
• 다양한 최적화 및 차원 축소 기법을 통합한 하이브리드 특성 선택 모델을 개발하기 위해.
• 제안된 모델의 성능을 다양한 분류기, 특히 SVM을 중심으로 평가하기 위해.
• 팔뚝 정맥 식별 작업에서 딥 러닝(AlexNet)과 최적화되지 않은 분류기보다 우수한 성능을 입증하기 위해.

제안 방법

• 팔뚝 정맥 영상에서 다중 척도 특성을 추출하기 위해 이중 차원 이산 웨이블릿 변환(2D-DWT)을 적용한다.
• 2D-DWT 출력에서 유의미한 특성의 중복을 제거하고 차원을 축소하기 위해 주성분 분석(PCA)을 사용한다.
• 최적의 특성 조합을 식별하기 위해 워퍼 기반 검색 알고리즘으로 입자 군집 최적화(PSO)를 활용한다.
• PSO 최적화 특성을 워퍼 모델에 통합하여 SVM, KNN, DT, 나이브 베이즈의 네 가지 분류기로 성능을 평가한다.
• 분류 정확도를 주요 평가 지표로 사용하여 팔뚝 정맥 영상 데이터셋을 기반으로 시스템을 학습하고 검증한다.
• 평가 단계에서 우수한 성능를 보인 점을 고려해 최종 분류기로 서포트 벡터 머신(SVM)을 선택한다.

실험 결과

연구 질문

• RQ1 2D-DWT, PCA, PSO를 조합한 하이브리드 특성 선택 모델이 팔뚝 정맥 식별의 정확도를 향상시킬 수 있는가?
• RQ2 제안된 2D-DWTPP 모델은 팔뚝 정맥 인식 작업에서 AlexNet과 같은 딥 러닝 모델과 비교해 어떻게 성능을 냈는가?
• RQ3 SVM, KNN, DT, 나이브 베이즈 중에서 제안된 특성 선택 프레임워크와 함께 사용했을 때 어떤 분류기가 가장 우수한 성능를 보였는가?
• RQ4 특성 선택이 팔뚝 정맥 시스템에서 얼마나 중복을 줄이고 분류 성능를 향상시키는가?
• RQ5 PSO-워퍼 모델은 팔뚝 정맥 패턴 분류에 가장 관련성이 높은 특성을 효과적으로 식별하는가?

주요 결과

• 제안된 2D-DWTPP 모델은 SVM 분류기를 사용하여 98.65%의 분류 정확도를 달성하였으며, 특성 선택이 없는 기준 분류기(78.79%)를 크게 뛰어넘었다.
• 이 모델은 단지 63.5%의 정확도를 기록한 AlexNet을 능가하여, 이 특정 생체 인식 작업에서 수작업 특성 엔지니어링과 최적화 기법이 딥 러닝을 능가할 수 있음을 입증했다.
• 제안된 프레임워크 내에서 SVM이 가장 효과적인 분류기로 확인되었으며, 테스트된 네 가지 분류기 중에서 가장 높은 정확도를 기록했다.
• PSO를 워퍼 모델과 통합함으로써 높은 관련성의 특성들이 효과적으로 선택되었고, 중복이 감소하고 모델의 일반화 능력이 향상되었다.
• PCA는 2D-DWT로 추출된 특성의 차원을 효과적으로 축소하여 계산 효율성 향상과 성능 향상에 기여했다.
• 하이브리드 모델은 팔뚝 정맥 패턴 인식에서 뛰어난 강건성과 효율성을 보였으며, 신호 처리, 차원 축소, 메타휴리스틱 최적화 기법의 융합이 가치가 있음을 시사한다.