[논문 리뷰] Cross-Sensor Periocular Biometrics: A Comparative Benchmark including Smartphone Authentication

Fernando Alonso‐Fernandez, Kiran Raja외 5명|arXiv (Cornell University)|2019. 02. 21.

Biometric Identification and Security참고 문헌 71인용 수 8

한 줄 요약

이 논문은 선형 로지스틱 회귀를 사용한 다알고리즘 융합 접근법을 제안하여 가시광선(VW)과 근적외선(NIR) 스펙트럼 간의 크로스센서 희귀인식 성능을 향상시키며, EER 0.22% 및 FAR=0.01% 조건에서 FRR 0.62%를 달성하여 제1회 크로스스펙트럼 아이리스/희귀경쟁에서 최고 성능을 기록하였다.

ABSTRACT

The massive availability of cameras and personal devices results in a wide variability between imaging conditions, producing large intra-class variations and performance drop if such images are compared for person recognition. However, as biometric solutions are extensively deployed, it will be common to replace acquisition hardware as it is damaged or newer designs appear, or to exchange information between agencies or applications in heterogeneous environments. Furthermore, variations in imaging bands can also occur. For example, faces are typically acquired in the visible (VW) spectrum, while iris images are captured in the near-infrared (NIR) spectrum. However, cross-spectrum comparison may be needed if for example a face from a surveillance camera needs to be compared against a legacy iris database. Here, we propose a multialgorithmic approach to cope with cross-sensor periocular recognition. We integrate different systems using a fusion scheme based on linear logistic regression, in which fused scores tend to be log-likelihood ratios. This allows easy combination by just summing scores of available systems. We evaluate our approach in the context of the 1st Cross-Spectral Iris/Periocular Competition, whose aim was to compare person recognition approaches when periocular data from VW and NIR images is matched. The proposed fusion approach achieves reductions in error rates of up to 20-30% in cross-spectral NIR-VW comparison, leading to an EER of 0.22% and a FRR of just 0.62% for FAR=0.01%, representing the best overall approach of the mentioned competition.. Experiments are also reported with a database of VW images from two different smartphones, achieving even higher relative improvements in performance. We also discuss our approach from the point of view of template size and computation times, with the most computationally heavy system playing an important role in the results.

연구 동기 및 목표

• 이미징 장치 간 크로스센서 및 크로스스펙트럼 변동으로 인한 희귀인식 성능 저하 문제를 해결하기 위해.
• 이질적인 이미징 조건에서 인식 정확도를 향상시키기 위해 다수의 생체인식 시스템을 융합하는 견고한 융합 프레임워크를 개발하기 위해.
• 스마트폰 기반의 VW 이미지를 포함한 실제 크로스스펙트럼 및 크로스디바이스 시나리오에서 제안된 방법을 평가하기 위해.
• 계산 복잡도와 템플릿 크기의 영향을 성능 및 융합 효과성에 대해 분석하기 위해.

제안 방법

• 저자는 다수의 희귀인식 시스템에서 유도된 점수를 융합하기 위해 선형 로지스틱 회귀 기반의 다알고리즘 융합 전략을 사용한다.
• 융합된 점수는 로그우도비율로 모델링되어, 서로 다른 시스템의 점수를 재캘리브레이션 없이 직접 합산할 수 있도록 한다.
• 이 방법은 실제 구현 시나리오를 시뮬레이션하기 위해 근적외선(NIR)과 가시광선(VW) 희귀이미지 간의 크로스스펙트럼 비교에 적용된다.
• 이 접근법은 제1회 크로스스펙트럼 아이리스/희귀경쟁 데이터셋을 기반으로 검증되었으며, 크로스스펙트럼 및 크로스디바이스(스마트폰) 평가를 모두 포함한다.
• 융합 프레임워크는 확장성과 효율성을 고려하여 설계되었으며, 계산 부담과 템플릿 크기의 영향을 분석하였다.
• 가장 계산 복잡도가 높은 시스템이 최종 융합 결과에 크게 기여하며, 앙상블 내에서 중요한 역할을 한다.

실험 결과

연구 질문

• RQ1 선형 로지스틱 회귀를 사용한 다알고리즘 융합 접근법이 크로스센서 희귀인식의 오류율 감소에 얼마나 효과적인가?
• RQ2 희귀생체인식에서 가시광선과 근적외선 스펙트럼 간 시스템 융합을 통해 달성할 수 있는 성능 향상은 무엇인가?
• RQ3 다양한 이미징 조건에서 서로 다른 스마트폰 디바이스에서 촬영한 희귀이미지에 적용했을 때 융합 방법의 성능은 어떠한가?
• RQ4 특히 계산 비용과 정확도 측면에서 개별 시스템의 최종 융합 결과에 대한 기여도는 어떻게 되는가?
• RQ5 템플릿 크기와 계산 시간은 융합 시스템의 전체 성능 및 실질적 구현에 어떤 영향을 미치는가?

주요 결과

• 제안된 융합 접근법은 크로스스펙트럼 NIR-VW 희귀인식에서 등가오류율(EER) 0.22%를 달성하여 제1회 크로스스펙트럼 아이리스/희귀경쟁에서 최고 성능을 기록하였다.
• 크로스스펙트럼 비교에서 개별 시스템 대비 오류율을 최대 20-30% 감소시켰다.
• 두 대의 다른 디바이스에서 촬영한 스마트폰 기반의 가시광선 이미지에 대해서는 크로스스펙트럼 시나리오보다 더 높은 상대적 성능 향상이 달성되었다.
• 거짓 거부율(FRR)은 거짓 허용율(FAR) 0.01% 조건에서 0.62%로 감소하여 엄격한 보안 기준 하에서도 높은 신뢰성을 보였다.
• 가장 계산 복잡도가 높은 시스템이 융합 결과에 결정적인 역할을 하며, 최종 성능 향상에 크게 기여하였다.
• 출력을 로그우도비율로 간주함으로써 융합 프레임워크는 다양한 생체인식 시스템 간 통합을 단순화하며 효과적인 점수 융합을 가능하게 하였다.