[논문 리뷰] Palmprint Recognition Using Deep Scattering Convolutional Network

Shervin Minaee, Yao Wang|arXiv (Cornell University)|2016. 03. 30.

Biometric Identification and Security참고 문헌 24인용 수 36

한 줄 요약

이 논문은 번역 및 회전 불변 특징을 추출하기 위해 딥 스캐터링 컨volution 네트워크(DSCN)를 사용하는 손바닥 인식 시스템을 제안한다. 이후 주성분 분석(PCA)을 통해 차원 감소를 실시하고, SVM 또는 최소거리 분류기로 분류를 수행한다. 이 방법은 PolyU 손바닥 데이터셋에서 100%의 정확도를 달성하여 기존 최고 수준의 접근 방식을 뛰어넘었으며, 기존 기술에서 손실되는 고주파 분류 가능 내용을 포착한다.

ABSTRACT

Palmprint recognition has drawn a lot of attention during the recent years. Many algorithms have been proposed for palmprint recognition in the past, majority of them being based on features extracted from the transform domain. Many of these transform domain features are not translation or rotation invariant, and therefore a great deal of preprocessing is needed to align the images. In this paper, a powerful image representation, called scattering network/transform, is used for palmprint recognition. Scattering network is a convolutional network where its architecture and filters are predefined wavelet transforms. The first layer of scattering network captures similar features to SIFT descriptors and the higher-layer features capture higher-frequency content of the signal which are lost in SIFT and other similar descriptors. After extraction of the scattering features, their dimensionality is reduced by applying principal component analysis (PCA) which reduces the computational complexity of the recognition task. Two different classifiers are used for recognition: multi-class SVM and minimum-distance classifier. The proposed scheme has been tested on a well-known palmprint database and achieved accuracy rate of 99.95% and 100% using minimum distance classifier and SVM respectively.

연구 동기 및 목표

• 복잡한 사전 처리 및 정렬 단계에 의존도를 줄이는 견고한 손바닥 인식 시스템을 개발하는 것.
• 스캐터링 네트워크가 번역 및 회전 불변 특징을 추출할 수 있는 능력을 활용하여 생체 인식 성능을 향상시키는 것.
• 기본적인 손바닥 데이터베이스에서 스캐터링 특징과 PCA, 표준 분류기의 조합이 효과적인지 평가하는 것.
• 실시간 전자 기기 구현에 적합한 높은 정확도와 낮은 계산 비용을 입증하는 것.

제안 방법

• 스캐터링 네트워크는 사전 정의된 웨이블릿 필터를 사용하여 손바닥 영상의 다층 불변 표현을 생성한다.
• 스캐터링 특징은 네트워크의 여러 층에서 추출되어 저수준 및 고주파 텍스처 세부 정보를 모두 포착한다.
• 주성분 분석(PCA)을 적용하여 스캐터링 특징의 차원을 감소시켜 계산 효율성을 향상시킨다.
• 감소된 특징 공간에서 템플릿 매칭을 위해 다중 클래스 SVM과 최소거리 분류기를 사용한다.
• 이 방법은 반으로 나누어 훈련용과 테스트용으로 사용된 PolyU 손바닥 데이터베이스에서 훈련 및 테스트된다.
• 구현은 MATLAB을 사용하며, SVM에는 LIBSVM을, 분류에는 표준 최소거리 알고리즘을 사용한다.

실험 결과

연구 질문

• RQ1 기존의 변환 기반 방법에 비해 스캐터링 네트워크가 손바닥 인식에 더 견고하고 불변적인 특징 표현을 제공할 수 있는가?
• RQ2 스캐터링 특징과 PCA의 조합이 인식 정확도와 계산 부담에 어떤 영향을 미치는가?
• RQ3 기본 표준 분류기와 함께 스캐터링 특징을 사용하여 기준 손바닥 데이터셋에서 도달할 수 있는 정확도 수준은 무엇인가?
• RQ4 제한된 훈련 샘플을 사용할 경우 시스템의 일반화 능력은 어떻게 평가되는가?

주요 결과

• 제안된 방법은 PolyU 손바닥 데이터셋에서 다중 클래스 SVM 분류기로 100%의 인식 정확도를 달성했다.
• 최소거리 분류기를 사용할 경우, 700개의 PCA 특징을 사용하여 99.43%의 정확도를 달성했다.
• 사람당 훈련 샘플이 2개 뿐이어도 SVM 분류기는 여전히 99.84%의 정확도를 기록하여 강력한 일반화 능력을 입증했다.
• SVM를 사용할 경우 200개의 PCA 특징으로도 100%의 정확도를 달성하여 스캐터링 특징의 높은 분류 능력을 입증했다.
• 템플릿 매칭 프로세스는 이미지당 약 0.09초가 소요되어 실시간 응용에 적합하다.
• 스캐터링 네트워크는 표본 1의 모든 이전 최고 수준의 방법들—HOG, 가본, 퀼터니언 PCA 기반 방법 포함—을 뛰어넘었다.