[논문 리뷰] Highly Accurate Multispectral Palmprint Recognition Using Statistical and Wavelet Features

Shervin Minaee, AmirAli Abdolrashidi|arXiv (Cornell University)|2014. 08. 16.

Biometric Identification and Security참고 문헌 22인용 수 9

한 줄 요약

이 논문은 통계적 특징과 웨이블릿 기반 특징을 조합하여 팔뚝 무늬의 공간적 및 주파수 도메인 특성을 모두 포착하는 고정확도의 팔뚝 인식 시스템을 제안한다. 최소 거리 분류기 또는 가중치가 부여된 다수결 투표를 사용하여 다스펙트럴 팔뚝 무늬 데이터셋에서 99.65%–100%의 정확도를 달성하며, 훈련 데이터가 제한된 경우에도 강건성을 입증한다.

ABSTRACT

Palmprint is one of the most useful physiological biometrics that can be used as a powerful means in personal recognition systems. The major features of the palmprints are palm lines, wrinkles and ridges, and many approaches use them in different ways towards solving the palmprint recognition problem. Here we have proposed to use a set of statistical and wavelet-based features; statistical to capture the general characteristics of palmprints; and wavelet-based to find those information not evident in the spatial domain. Also we use two different classification approaches, minimum distance classifier scheme and weighted majority voting algorithm, to perform palmprint matching. The proposed method is tested on a well-known palmprint dataset of 6000 samples and has shown an impressive accuracy rate of 99.65\%-100\% for most scenarios.

연구 동기 및 목표

• 공간적 특징과 주파수 도메인 특징을 조합하여 팔뚝 인식 정확도를 향상시키기 위해.
• 기존 방법이 변환 기반 또는 선 기반 특징에만 의존하는 데에 기인한 한계를 해결하기 위해.
• 실제 환경에 적합한 훈련이 불필요한 빠른 인식 시스템을 개발하기 위해.
• 특히 저자료 조건에서의 성능 평가를 위해 다양한 훈련-테스트 샘플 비율에 대해 성능을 평가하기 위해.
• 조명 및 이미지 품질 변동에 대비해 인식의 강건성을 향상시키기 위해 다스펙트럴 영상 기술을 활용하기 위해.

제안 방법

• 사전 처리된 각 팔뚝 무늬 이미지를 겹치지 않는 블록으로 나누어 局소적 특징 추출을 수행한다.
• 각 블록에서 공간적 강도 분포와 일반적인 무늬 패턴을 포착하기 위해 다섯 가지 통계적 특징을 추출한다.
• 이산 웨이블릿 변환(DWT)을 적용하여 고주파 성분과 미세 무늬를 강조하는 아홉 가지 웨이블릿 기반 특징을 추출한다.
• 테스트 샘플과 훈련 샘플 간의 유사도 기반 매칭을 직접 수행하기 위해 최소 거리 분류기를 사용한다.
• 다양한 특징 집합의 결정을 조합하여 강건성을 향상시키기 위해 가중치가 부여된 다수결 투표 알고리즘을 활용한다.
• 평가를 위해 빨강, 초록, 파랑 및 NIR 조명 하에서 128×128 크기의 이미지를 포함하는 PolyU 다스펙트럴 팔뚝 무늬 데이터베이스를 사용한다.

실험 결과

연구 질문

• RQ1 통계적 특징과 웨이블릿 기반 특징을 조합함으로써 기존 방법을 뛰어넘는 팔뚝 인식 정확도를 달성할 수 있는가?
• RQ2 훈련 데이터가 제한된 경우, 특히 저비율의 훈련-테스트 샘플 비율에서 제안된 방법의 성능은 어떠한가?
• RQ3 공간적 특징과 주파수 도메인 특징의 통합이 노이즈 및 저품질 이미지에 대한 강건성을 향상시키는가?
• RQ4 정확도와 안정성 측면에서 가중치가 부여된 다수결 투표 분류기와 최소 거리 분류기 간의 성능 비교는 어떠한가?
• RQ5 훈련이 불필요한, 특징 추출 전용 시스템이 팔뚝 인식 분야에서 최첨단 성능을 달성할 수 있는가?

주요 결과

• 훈련에 6/12의 샘플을 사용할 경우 최소 거리 분류기를 사용해 100%의 인식 정확도를 달성한다.
• 훈련에 3/12의 샘플만 사용할 경우 가중치가 부여된 다수결 투표 분류기가 99.95%의 정확도를 기록하며, 최소 거리 분류기보다 뛰어난 성능을 보인다.
• 모든 테스트된 훈련 비율에서 높은 정확도(99.65%–100%)를 유지하여 저자료 조건에서도 강력한 일반화 능력을 입증한다.
• K-PCA+GWR(95.17%), 퀼터니언 PCA(98.13%), MDA+GWR(98.81%)를 포함한 다섯 가지 최첨단 기법보다 제안된 방법이 뛰어난 성능을 보인다.
• 가중치가 부여된 다수결 투표 방식은 히스토그램 기반 선 방향성(99.97%)과 텍스처 특징(100%) 방법을 뛰어넘어 99.99%의 정확도를 달성한다.
• 알고리즘은 각 테스트 샘플을 약 0.05초 내에 처리하여 실시간 응용에 적합한 높은 계산 효율성을 보인다.