[논문 리뷰] Iris Recognition Using Scattering Transform and Textural Features

Shervin Minaee, AmirAli Abdolrashidi외 1명|arXiv (Cornell University)|2015. 07. 08.

Biometric Identification and Security참고 문헌 18인용 수 12

한 줄 요약

이 논문은 산란 변환 기반 특징과 하랄릭 문맥적 특징을 결합한 새로운 아이ris 인식 방법을 제안하며, 이후 주성분 분석(PCA)을 통한 차원 감소와 최소 거리 분류를 수행한다. 이 방법은 아이ris 분할을 필요로 하지 않고 IIT 델리 아이리스 데이터베이스에서 99.2%의 정확도를 달성하여 최신 기술 수준의 성능을 입증하고 실시간 응용에 적합함을 보여준다.

ABSTRACT

Iris recognition has drawn a lot of attention since the mid-twentieth century. Among all biometric features, iris is known to possess a rich set of features. Different features have been used to perform iris recognition in the past. In this paper, two powerful sets of features are introduced to be used for iris recognition: scattering transform-based features and textural features. PCA is also applied on the extracted features to reduce the dimensionality of the feature vector while preserving most of the information of its initial value. Minimum distance classifier is used to perform template matching for each new test sample. The proposed scheme is tested on a well-known iris database, and showed promising results with the best accuracy rate of 99.2%.

연구 동기 및 목표

• 복잡한 아이리스 분할을 피하는 강력하고 빠르며 정확한 아이리스 인식 시스템을 개발하기 위해.
• 산란 변환의 고주파 분류 능력과 문맥적 특징을 활용하여 인식 성능을 향상시키기 위해.
• 주성분 분석(PCA)을 통해 특징 차원을 효과적으로 감소시키면서도 분류 정보를 유지하기 위해.
• 기존 최신 기술 수준의 접근 방식들과 비교하기 위해 표준 벤치마크 데이터셋에서 제안된 방법을 평가하기 위해.

제안 방법

• 웨이블릿 변환의 연결된 캐스케이드, 복소수 모듈러스, 국소 평균화를 사용하여 아이리스 이미지에서 전역적으로 산란 변환 특징을 추출한다.
• 정규화된 회색 수준 공존 행렬에서 14개의 하랄릭 문맥적 특징을 계산하여 국소 문맥 패턴을 캡처한다.
• 산란 특징과 하랄릭 특징을 하나의 고차원 특징 벡터로 결합한다.
• 주성분 분석(PCA)을 적용하여 병합된 특징 벡터의 차원을 감소시키며 대부분의 분산을 유지한다.
• 유클리드 거리 기반으로 테스트 샘플을 학습 템플릿과 매칭하기 위해 최소 거리 분류기를 사용한다.
• 아이리스 분할을 완전히 생략하고 직접 원본 눈 이미지를 사용하여 특징 추출함으로써 처리 속도와 실시간 적용 가능성 향상.

실험 결과

연구 질문

• RQ1 산란 변환과 하랄릭 문맥적 특징의 조합이 기존 방법을 초월해 아이리스 인식 정확도를 향상시킬 수 있는가?
• RQ2 아이리스 분할을 제거함으로써 시스템의 처리 속도와 실용성은 어느 정도 향상되는가?
• RQ3 PCA는 인식 성능을 저하시키지 않으면서 특징 차원을 효과적으로 감소시키는가?
• RQ4 산란 특징에 포함된 고주파 정보가 아이리스 인식에서 분류 능력을 크게 향상시키는가?

주요 결과

• 제안된 방법은 IIT 델리 아이리스 데이터베이스에서 99.2%의 인식 정확도를 달성하여 이전 최신 기술 수준의 방법들을 능가했다.
• 시스템은 이미지당 약 11ms의 처리 시간을 기록하여 실시간 응용에 적합했다.
• 아이리스 분할의 부재는 파이프라인의 단순화와 계산 효율성 향상에 기여했다.
• 산란 특징과 하랄릭 특징의 융합은 고주파 정보와 문맥 정보의 상호 보완성 덕분에 뛰어난 분류 능력을 제공했다.
• PCA는 특징 차원을 효과적으로 감소시켰으며, 단지 80개의 주성분으로도 높은 인식 정확도를 유지했다.
• 기존의 방법들인 하르 웨이블릿(96.6%), 로그-가버(97.19%), 탄성 그래프 매칭(98%)을 뛰어넘는 성능을 보였다.