[논문 리뷰] Palmprint image registration using convolutional neural networks and Hough transform

Mohsen Ahmadi, Hossein Soleimani|arXiv (Cornell University)|2019. 04. 01.

Biometric Identification and Security인용 수 5

한 줄 요약

이 논문은 컨volutional 신경망(CNN)과 일반화 허프 변환(GHT)을 사용하여 팔뚝 무늬 이미지를 참조 이미지에 정렬하는 새로운 팔뚝 무늬 등록 방법을 제안한다. 이는 분자 기반 매칭을 크게 가속화한다. CNN와 GHT를 통해 회전 및 이동을 추정함으로써 더 빠르고 정확한 매칭을 가능하게 하며, THUPALMLAB 데이터베이스에서 166회의 매칭/초, EER 0.04%의 성능을 달성한다. 또한 메모리 사용량을 줄이고 좌/우 팔뚝 구분 능력을 향상시킨다.

ABSTRACT

Minutia-based palmprint recognition systems has got lots of interest in last two decades. Due to the large number of minutiae in a palmprint, approximately 1000 minutiae, the matching process is time consuming which makes it unpractical for real time applications. One way to address this issue is aligning all palmprint images to a reference image and bringing them to a same coordinate system. Bringing all palmprint images to a same coordinate system, results in fewer computations during minutia matching. In this paper, using convolutional neural network (CNN) and generalized Hough transform (GHT), we propose a new method to register palmprint images accurately. This method, finds the corresponding rotation and displacement (in both x and y direction) between the palmprint and a reference image. Exact palmprint registration can enhance the speed and the accuracy of matching process. Proposed method is capable of distinguishing between left and right palmprint automatically which helps to speed up the matching process. Furthermore, designed structure of CNN in registration stage, gives us the segmented palmprint image from background which is a pre-processing step for minutia extraction. The proposed registration method followed by minutia-cylinder code (MCC) matching algorithm has been evaluated on the THUPALMLAB database, and the results show the superiority of our algorithm over most of the state-of-the-art algorithms.

연구 동기 및 목표

• 이미지당 최대 1,000개의 분자를 포함한 분자 기반 팔뚝 무늬 매칭의 높은 계산 비용 문제를 해결하기 위해.
• 이미지 정렬을 통해 모든 팔뚝 무늬 이미지를 동일한 좌표계로 정렬하여 매칭 시간을 단축하기 위해.
• 정확한 기하학적 정렬을 통해 영역 간 분자 비교를 최소화하여 매칭 정확도와 속도를 향상시키기 위해.
• 추가적인 매칭 가속화를 위해 자동으로 좌/우 팔뚝을 구분할 수 있도록 하기 위해.
• 기존 최첨단 기법들에 비해 분자 기술자에 대한 메모리 오버헤드를 줄이기 위해.

제안 방법

• 이중 단계 정렬 프로세스: 첫째, CNN이 기준 이미지에 대한 팔뚝 무늬의 근사적인 회전 각도를 추정한다.
• 이미지를 추정된 각도의 음수 값만큼 회전시켜 회전 불일치를 줄인다.
• 일반화 허프 변환(GHT)을 적용하여 잔여 이동(x, y)과 정확한 회전을 정밀하게 추정하여 완전한 정렬을 달성한다.
• 정렬 성공 여부를 검증하고 강건성을 향상시키기 위해 두 가지 신뢰도 기준을 도입한다.
• CNN는 동시에 의미적 세그멘테이션도 수행하여 후속 분자 추출에 유용한 사전 처리된 세그멘테이션된 팔뚝 무늬 이미지를 생성한다.
• 정렬된 이미지들은 분자 цิ린더-코드(MCC) 알고리즘을 사용하여 매칭되며, 매칭은 해당 영역 간에만 수행된다.

실험 결과

연구 질문

• RQ1 CNN과 GHT의 하이브리드 접근 방식이 실시간 응용을 위한 정확하고 강건한 팔뚝 무늬 이미지 정렬을 달성할 수 있는가?
• RQ2 제안된 정렬 방법이 분자 기반 매칭의 계산 복잡도를 어떻게 감소시키는가?
• RQ3 자동으로 좌/우 팔뚝 인식이 매칭 효율을 얼마나 향상시키는가?
• RQ4 이미지 품질과 무늬 밀도가 정렬 성공률에 어떤 영향을 미치는가?
• RQ5 기존 최첨단 팔뚝 무늬 매칭 시스템에 비해 제안된 방법은 정확도와 속도 면에서 어떻게 비교되는가?

주요 결과

• 제안된 방법은 THUPALMLAB 데이터베이스에서 166회의 팔뚝 무늬 매칭/초, 등가 오류률(EER) 0.04%의 성능을 달성한다.
• 정렬 프로세스는 이미지당 약 4초가 소요되지만, 이는 등록 시 한 번만 수행되며 신원 확인 시 런타임 비용이 발생하지 않는다.
• 9,520장의 팔뚝 무늬 이미지 중 5장(1% 미만)만 정렬에 실패하였으며, 주로 저해상도 또는 특징이 뚜렷하지 않은 이미지에서 발생했다.
• 이 방법은 분자당 45바이트의 메모리 사용량을 기록하여 기존 논문 [14]에서 요구하는 분자당 161바이트보다 크게 감소시켰다.
• 정렬이 없을 경우, 정렬이 불량하고 분자 비교가 잘못되어 매칭 정확도가 급격히 떨어진다.
• 모든 가짜 매칭률(FMR) 수준에서 제안된 방법은 여러 최첨단 알고리즘보다 매칭 속도와 정확도 면에서 뛰어나다.